Machen Sie sich mit vertraut MetricBaseAPIs

  • Freigeben Version: Yokohama
  • Aktualisiert 30. Januar 2025
  • 2 Minuten Lesedauer

    • Experimentieren Sie mit MetricBaseAPIs verwenden DatenexplorerDas ist Teil von MetricBaseDemo-Anwendung. DatenexplorerVerwendet die mit installierten Daten MetricBaseDemo-Anwendung.

    Vorbereitungen

    Erforderliche Rolle: Clotho_admin

    Warum und wann dieser Vorgang ausgeführt wird

    DatenexplorerIst ein Playground, auf dem Sie Beispielskripts anzeigen und bearbeiten können, die Daten visualisieren, die in enthalten sind MetricBaseDemo-Anwendung. Die Beispielskripts verwenden MetricBaseJavaScript-APIs. Für Informationen zu MetricBaseJavaScript-APIs, siehe Client , Daten , Datengenerator , Umwandler , Teil umwandeln , TransformationsResult .

    Beachten Sie, dass der API-Endpunkt Now/v1/clotho/transform/topic nur für die interne Verwendung reserviert ist.

    Beispielskripts verwenden entweder:

    • Transformationen, die verwenden Umwandler Methode.
    • Computersprache, trainierte Modelle, die das erwartete Verhalten vorhersagen. Alle Skripts ohne „Transformieren“ in ihrem Titel verwenden maschinelle Sprache.

    Prozedur

    1. Navigieren zu Alle > MetricBase-Demo > Datenexploreran.
      Die Daten-Explorer Wird angezeigt.
      Daten-Explorer-UI

      Wenn Sie ein Skript ausführen, wird die Datenvisualisierung unter angezeigt Daten-Explorer-Skriptergebnisanzeige .

    2. Wählen Sie eines der Beispielskripts aus, die in ausgeführt werden sollen Beispielskript Menü.
      Schritte zum Ausführen eines Skripts
    3. Klicken Sie Auf Beispiel Laden .
    4. Klicken Sie auf Ausführen.
      Das Skript zeigt die Datenvisualisierung unter an Daten-Explorer-Skriptergebnisanzeige .
    5. Wahlweise: Ändern Sie die Werte oder Anweisungen im Skript, oder schreiben Sie ein vollständig neues Skript, und klicken Sie auf Ausführen .
      Hinweis:
      Wenn Sie die Änderungen speichern möchten, die Sie im Skript vorgenommen haben, klicken Sie auf Speichern .
    6. Unter Serverausgabe , Sehen Sie sich die Antwort des Servers an, die Fehlerinformationen enthalten kann.

    Beispiel

    Tabelle : 1. Beispielskripts
    Beispielskript Definition und Visualisierung
    Einfache Transformation Verwendet die Transformator-API, um eine einzelne Zeitreihenmetrik anzuzeigen, die durchschnittliche Geschwindigkeit der Drohnen: Transformer.metric('mb_demo_mt_speed').durchschn ().

    Einfache Transformation mit Durchschnitt
    Einfache Transformation mit Gruppierung Verwendet die Transformator-API, um eine Gruppe von Zeitreihenmetriken anzuzeigen, die durchschnittliche Höhe der Flotte der Drohnen: 
    transformer.groupBy("fleet").metric("mb_demo_mt_altitude").
      avg().label('avg - %g:fleet:')

    Gruppierungstransformation
    Normales Modell Modelliert Normaldaten, die einer glockenförmigen oder Gaußschen Kurve für verteilte Werte annähernd entsprechen.
    Lineares Modell Erstellt eine Zeile, um die aktuellen Daten zusammenzufassen und zukünftige Werte vorherzusagen. In diesem Beispiel zur verbleibenden Ladung in Drohnenbatterien werden sowohl die trainierten Modellwerte als auch der Durchschnitt der Werte grafisch dargestellt.
    var builder = new sn_clotho.Transformer(drones);
var fit = builder.metric("mb_demo_nt_rem_battery").resample(100).
          fit({model:"linear"}).label("Fitted");
builder.metric("nb_demp_mt_rem_battery").avg().label("Original")

    Lineares Modell
    Aufschlüsselungsmodell Des Saisonalen Trends Verwendet ein saisonales Trendmodell, damit Daten subtrahiert werden können, um nicht saisonale Trends anzuzeigen. Dieses Modell ähnelt dem Holt Winters-Modell, gelangt jedoch mit verschiedenen Algorithmen zum Ergebnis.
    var builder = new sn_clotho.Transformer(drones);
var metric = "nb_demo_mt_rem_battery";
var fit = builder.metric(metric).fit({model:"STL",periodicity:"PT2H", 
          innerCycles:1, outerCycles:10})

    Saisonale Korrektur des Trends
    Holt Wintermodell Verwendet das saisonale Trendmodell „Holt Winter“, damit Daten subtrahiert werden können, um nicht saisonale Trends anzuzeigen. Dieses Modell ähnelt dem Zweck des saisonalen Trendaufschlüsselungsmodells, gelangt jedoch mit verschiedenen Algorithmen zum Ergebnis.
    ARIMA-Modell Die allgemeinste Klasse von Modellen für die Vorhersage von Zeitreihendaten ohne Trend, d. h. alle Daten haben denselben Wert, oder die Werte schwanken sinusförmig um den Mittelwert.
    Abweichungsmodell Verwendet das Chisquare-Modell, um die Unterschiede zwischen den realen Daten und der Vorhersage des Modells anzuzeigen. 
    var metric = "nb_demo_mt_rem_battery";
builder.metric(metric).deviation(model, "chiSquare");

    Abweichungsmodell