1. 首页
  2. 大数据

根因分析

根因分析采用了决策树算法,通过统计分析自变量特征对目标变量的影响程度,从而分析出关键性变量。
一个完整的根因分析任务分为 2 个部分:数据预览和模型计算:
• 数据预览:用于实现数据分析及分析维度的可视化展示;
• 模型计算:用于提供多种算法,可根据实际需求选择不同的算法及参数进行模型计算。
新建根因分析任务,具体操作如下:
1. 进入机器学习页面,点击【新建】进入新建机器学习任务页面,点击【查看帮助】可查看根因分析学习任务的简介和应用场景示例,如下所示:

根因分析
2. 点击【根因分析】进入参数配置页面,点击【查看帮助】可查看根因分析的简介、使用帮助、参数配置指导、算法介绍,如下所示:
根因分析
3. 配置数据预览:数据预览部分用于以可视化方式展示特征字段和信息字段的原始数据列表;

根因分析
1)配置参数如下:

元素名称 元素说明
*已存搜索 选择已存搜索确定数据来源
*时间 对选择的数据进行时间范围的筛选,支持快速选择和时间段选择
*特征字段 表示参与分析的属性(原因)字段
*目标字段 表示想要分析的目标(结果)字段
注意:目标字段不能与特征字段相同

2)点击【预览】查看数据预览结果,数据预览结果为特征字段和信息字段的原始数据列表,如下所示:
根因分析
以上示例中:
• 特征字段(原因)包含:磁盘写入速度、CPU 温度、内存利用率、磁盘分区使用率、CPU 利用率、磁盘读取速度、CPU 负载;
• 目标字段(结果)包含:是否告警

4. 配置模型计算
根因分析支持决策树算法,决策树是一种非参数的监督学习方法,通常采用自上而下的设计,每迭代循环一次,就会选择一个特征值进行分叉,直到无法分叉为止;其中,决策树中的分支代表了决策规则(IF THEN 规则),决策树中的叶节点表示 IF THEN 规则的结果,通过 IF THEN 规则可预测目标变量的值。
配置参数如下所示:

根因分析
1)配置决策树算法参数:

元素名称 元素说明 限制条件
属性分裂方法 表示不纯度的判决方法:基尼系数、信息增益 2 种
最大树深度 表示决策树的最大层数,不填写时使用算法默认值;若树形过于复杂,请设置最大树深度,以防止过拟合 ≥5 的整数
最大特征数 表示用于分类的特征值的最大数量,默认使用全部特征值,也可选择Sqrt、Log2 
节点划分最小样本数 表示形成一个决策树分支的最小样本数量;低于此数值,则不形成新分支 ≥2 的整数
叶子节点最少样本数 表示每个叶子节点包含的最小样本数量 ≥1 的整数
叶子节点最少样本占比 表示每个叶子节点包含的最小样本数量占比 [0,0.5] 内的数值
最大叶子节点数 表示叶子节点的最大数量;不填写时,则使用算法默认值 ≥10 的整数
节点划分最低不纯度 表示最低不纯度;低于此值,则不形成新分支。不填写时,则使用算法默认值 [0,0.5] 内的数值

2)点击【预览】可查看模型计算结果,如下所示:
根因分析
根因分析模型计算结果包括:特征(原因)字段重要程度占比和根因规则列表 2 个部分:

元素名称 元素说明
特征字段重要程度占比 表示特征(原因)字段对目标(结果)字段的重要程度占比,通过饼状图呈现
根因分析规则列表 表示决策树每一个规则分支的规则详情,以及符合此规则的事件数量和占比

5. 完成上述所有配置后,点击【保存】填写机器学习任务名称,点击【确认】即可完成机器学习任务创建操作。
 参考:[根因分析](https://www.aishu.cn/cn/help/anyrobot-user-manual/10303 )

发表评论

登录后才能评论