異常偵測總覽

異常偵測是一種資料探勘技術，可用來找出特定資料集中的資料偏差問題。舉例來說，如果特定產品的退貨率攀升，比該產品的基準值高出許多，可能表示該產品有瑕疵，或疑似發生詐欺事件。您可以運用這項技術來偵測重大事件，如技術問題，或消費者行為變動等潛在機會。

判斷哪些資料屬於異常資料可能相當困難。如果您不確定哪些資料屬於異常資料，或是沒有標註資料可訓練模型，可以使用非監督式機器學習執行異常偵測。使用 AI.DETECT_ANOMALIES 函式或 ML.DETECT_ANOMALIES 函式搭配下列其中一個模型，偵測訓練資料或新服務資料中的異常狀況：

資料類型 模型類型 函式 函式用途
時間序列 TimesFM AI.DETECT_ANOMALIES 偵測時間序列中的異常狀況。
ARIMA_PLUS ML.DETECT_ANOMALIES 偵測時間序列中的異常狀況。
ARIMA_PLUS_XREG ML.DETECT_ANOMALIES 使用外部迴歸因子偵測時間序列中的異常狀況。
獨立同分布隨機變數 (IID) K-means ML.DETECT_ANOMALIES 根據輸入資料與各叢集質心之間最短的標準化距離，偵測異常狀況。如要瞭解標準化距離的定義，請參閱 ML.DETECT_ANOMALIES 函式的 k-means 模型輸出內容。
自動編碼器 根據均方誤差的重建損失偵測異常狀況。詳情請參閱 ML.RECONSTRUCTION_LOSS。ML.RECONSTRUCTION_LOSS 函式可以擷取所有類型的重建損失。
PCA 根據均方誤差的重建損失偵測異常狀況。

如果您已有標示異常狀況的資料，可以使用 ML.PREDICT 函式搭配下列其中一個監督式機器學習模型，執行異常偵測：

只要使用 CREATE MODEL 陳述式和推論函式的預設設定，即使沒有太多機器學習知識，也能建立及使用異常偵測模型。不過，具備機器學習開發的基本知識，有助於您最佳化資料和模型，進而獲得更出色的結果。建議您使用下列資源，熟悉機器學習技術和程序：