本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
# 進階訓練組態
## 取樣率組態
**取樣率**會定義記錄感應器讀數的頻率 （例如，每秒一次，或每分鐘一次）。此設定會直接影響訓練資料的**精細程度**，並影響模型擷取感應器行為中短期變化的能力。
請造訪 [對訓練和推論之間的高頻率資料和一致性進行抽樣](ano-best-practices.md#apply-sampling-high-frequency-data) 以了解最佳實務。
### 設定目標取樣率
您可以選擇性地在訓練組態`TargetSamplingRate`中指定 ，以控制資料取樣的頻率。支援的值如下：
```
PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H
```
這些是 ISO 8601 持續時間格式，代表下列時間格式：
+ `PT1S` = 1 秒
+ `PT1M` = 1 分鐘
+ `PT1H` = 1 小時
選擇在**資料解析**和**訓練效率**之間取得適當平衡的取樣率。提供下列費率：
+ **較高的取樣率** (`PT1S`) 提供更精細的詳細資訊，但可能會增加資料量和訓練時間。
+ **較低的取樣率** (`PT10M`、`PT1H`) 可減少資料大小和成本，但可能會錯過短期異常。
### 處理時間戳記不一致
AWS IoT SiteWise 在訓練期間， 會自動補償多個資料串流之間的**時間戳記不一致**。即使輸入訊號未及時完全對齊，這可確保一致的模型行為。
請造訪 [對訓練和推論之間的高頻率資料和一致性進行抽樣](ano-best-practices.md#apply-sampling-high-frequency-data) 以了解最佳實務。
### 啟用取樣
將下列程式碼新增至 `anomaly-detection-training-payload.json`。
透過在訓練動作承載`TargetSamplingRate`中新增 來設定取樣，並使用資料的取樣率。允許的值為：`PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H`。
```
{
"exportDataStartTime": StartTime,
"exportDataEndTime": EndTime,
"targetSamplingRate": "TargetSamplingRate"
}
```
**Example 取樣率組態的 ：**
```
{
"exportDataStartTime": 1717225200,
"exportDataEndTime": 1722789360,
"targetSamplingRate": "PT1M"
}
```
## 標記您的資料
標記資料時，您必須定義代表異常設備行為期間的時間間隔。此標記資訊會以 `CSV` 檔案的形式提供，其中每一列都會指定設備未正常運作的時間範圍。
每一列包含兩個時間戳記：
+ **開始時間**，指出認為異常行為何時開始。
+ **結束時間**，代表第一次觀察到失敗或問題的時間。
此 CSV 檔案存放在 Amazon S3 儲存貯體中，並在模型訓練期間使用，以協助系統從已知的異常行為範例學習。下列範例顯示標籤資料應如何顯示為 `.csv` 檔案。檔案沒有標頭。
**Example CSV 檔案的 ：**
```
2024-06-21T00:00:00.000000,2024-06-21T12:00:00.000000
2024-07-11T00:00:00.000000,2024-07-11T12:00:00.000000
2024-07-31T00:00:00.000000,2024-07-31T12:00:00.000000
```
第 **1 列**代表 **2024 年 6 月 21** 日的維護事件，有 **12 小時的時段** （從 `2024-06-21T00:00:00.000000Z`到 `2024-06-21T12:00:00.000000Z`) AWS IoT SiteWise 供 尋找異常行為。
第 **2 列**代表 **2024 年 7 月 11** 日的維護事件，有 **12 小時的時段** （從 `2024-07-11T00:00:00.000000Z`到 `2024-07-11T12:00:00.000000Z`) AWS IoT SiteWise 供 尋找異常行為。
第 **3 列**代表 **2024 年 7 月 31** 日的維護事件，有 **12 小時的時段** （從 `2024-07-31T00:00:00.000000Z`到 `2024-07-31T12:00:00.000000Z`) AWS IoT SiteWise 供 尋找異常行為。
AWS IoT SiteWise 會使用所有這些時段來訓練和評估模型，以識別這些事件的異常行為。請注意，並非所有事件都是可偵測的，而且結果高度取決於基礎資料的品質和特性。
如需抽樣最佳實務的詳細資訊，請參閱 [最佳實務](ano-best-practices.md)。
### 資料標記步驟
+ 根據標記資料先決條件中的[標記先決條件](anomaly-prerequisites.md#label-data)來設定 Amazon S3 儲存貯體。
+ 將檔案上傳至您的標籤儲存貯體。
+ 將下列項目新增至 `anomaly-detection-training-payload.json`。
+ 在 檔案的 `labelInputConfiguration`區段中提供位置。`labels-bucket` 將 取代為儲存貯體名稱，並將 取代`files-prefix`為 file(s) 路徑或字首的任何部分。位置中的所有檔案都會進行剖析，並 （成功時） 用作標籤檔案。
```
{
"exportDataStartTime": StartTime,
"exportDataEndTime": EndTime,
"labelInputConfiguration":
{
"bucketName": "label-bucket",
"prefix": "files-prefix"
}
}
```
**Example 標籤組態的 ：**
```
{
"exportDataStartTime": 1717225200,
"exportDataEndTime": 1722789360,
"labelInputConfiguration": {
"bucketName": "anomaly-detection-customer-data-278129555252-iad",
"prefix": "Labels/model=b2d8ab3e-73af-48d8-9b8f-a290bef931b4/asset[d3347728-4796-4c5c-afdb-ea2f551ffe7a]/Lables.csv"
}
}
```
## 評估模型
AWS IoT SiteWise 訓練模型的指標模型診斷是在個別事件中評估模型效能。在訓練期間， 會為輸入資料集中的每一列 AWS IoT SiteWise 產生異常分數和感應器貢獻診斷。較高的異常分數表示發生異常事件的可能性較高。
當您使用 [ExecuteAction](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_ExecuteAction.html) API 和`AWS/ANOMALY_DETECTION_TRAINING`動作類型訓練模型時，可以使用 Pointwise 診斷。
若要設定模型評估，
+ 根據標記[資料先決條件中的標記先決條件](anomaly-prerequisites.md#label-data)來設定 Amazon S3 儲存貯體。
+ 將下列項目新增至 `anomaly-detection-training-payload.json`。
+ 針對用於評估模型效能的視窗中的資料，提供 `evaluationStartTime`和 `evaluationEndTime`（兩者皆以 epoch 秒為單位）。
+ 提供 Amazon S3 儲存貯體位置 (`resultDestination`)，以便將評估診斷寫入其中。
**注意**
模型評估間隔 (`dataStartTime` 到 `dataEndtime`) 必須重疊或連續於訓練間隔。不允許任何差距。
```
{
"exportDataStartTime": StartTime,
"exportDataEndTime": EndTime,
"modelEvaluationConfiguration": {
"dataStartTime": evaluationStartTime,
"dataEndTime": evaluationEndTime
"resultDestination": {
"bucketName": "s3BucketName",
"prefix": "bucketPrefix"
}
}
}
```
**Example 模型評估組態的 ：**
```
{
"exportDataStartTime": 1717225200,
"exportDataEndTime": 1722789360,
"modelEvaluationConfiguration": {
"dataStartTime": 1722789360,
"dataEndTime": 1725174000,
"resultDestination": {
"bucketName": "anomaly-detection-customer-data-278129555252-iad",
"prefix": "Evaluation/asset[d3347728-4796-4c5c-afdb-ea2f551ffe7a]/1747681026-evaluation_results.jsonl"
}
}
}
```
## 產生模型指標
模型指標可讓您全面了解訓練過的異常偵測模型的效能和品質。訓練程序會自動產生這些指標，並將其發佈到您指定的 Amazon S3 儲存貯體，使其在重新訓練工作流程中可輕鬆進行分析、模型比較和提升決策。
### 了解模型指標
訓練程序會自動產生模型指標，並提供下列詳細資訊：
+ **模型效能**：有標籤資料可用時的精確度、召回率和 AUC 等量化測量
+ **資料品質**：所使用訓練資料的相關資訊和涵蓋的期間
+ **事件偵測**：已識別異常和已標記事件的統計資料
+ **模型比較**：重新訓練期間不同模型版本之間的比較指標
### 設定模型指標目的地
若要啟用模型指標產生，請設定發佈指標的 Amazon S3 目的地。
1. 根據 設定 Amazon S3 儲存貯體[模型評估先決條件](anomaly-prerequisites.md#prerequisites-model-evaluation)。
1. 將以下內容新增至您的訓練動作承載，以指定應存放模型指標的位置：
```
{
"trainingMode": "TRAIN_MODEL",
"exportDataStartTime": StartTime,
"exportDataEndTime": EndTime,
"modelMetricsDestination": {
"bucketName": "bucket-name",
"prefix": "prefix"
}
}
```
**Example 模型指標組態範例**
```
{
"exportDataStartTime": 1717225200,
"exportDataEndTime": 1722789360,
"modelMetricsDestination": {
"bucketName": "anomaly-detection-metrics-bucket-123456789012-iad",
"prefix": "ModelMetrics/computation-model-id/asset-id/training-metrics.json"
}
}
```
### 設定模型指標以重新訓練
當您設定重新訓練排程時，需要模型指標目的地，才能啟用全面的模型效能追蹤和比較：
```
{
"trainingMode": "START_RETRAINING_SCHEDULER",
"modelMetricsDestination": {
"bucketName": "bucket-name",
"prefix": "prefix"
},
"retrainingConfiguration": {
"lookbackWindow": "P180D",
"promotion": "SERVICE_MANAGED",
"retrainingFrequency": "P30D",
"retrainingStartDate": "StartDate"
}
}
```Parameters
`bucketName`
存放模型指標的 Amazon S3 儲存貯體
`prefix`
用於組織模型指標檔案的 Amazon S3 字首/路徑
### 模型指標結構
模型指標會以 JSON 檔案的形式儲存在 Amazon S3 儲存貯體中，結構如下：
```
{
"labeled_ranges": [],
"labeled_event_metrics": {
"num_labeled": 0,
"num_identified": 0,
"total_warning_time_in_seconds": 0
},
"predicted_ranges": [],
"unknown_event_metrics": {
"num_identified": 0,
"total_duration_in_seconds": 0
},
"data_start_time": "2023-11-01",
"data_end_time": "2023-12-31",
"labels_present": false,
"model_version_metrics": {
"precision": 1.0,
"recall": 1.0,
"mean_fractional_lead_time": 0.7760964912280702,
"auc": 0.5971207364893062
}
}
```關鍵指標
`labeled_ranges`
在訓練期間提供標記異常的時間範圍
`labeled_event_metrics`
有關模型識別已知標記事件的程度的統計資料
`num_labeled`
訓練資料中標記的事件總數
`num_identified`
模型正確識別的標記事件數量
`total_warning_time_in_seconds`
模型為標記的事件花費在警告狀態的總時間
`predicted_ranges`
模型在評估期間預測異常的時間範圍
`unknown_event_metrics`
有關未標記資料中偵測到異常的統計資料
`data_start_time / data_end_time`
訓練資料涵蓋的時間範圍
`labels_present`
布林值，指出訓練期間是否使用已標記的資料
`model_version_metrics`
用於模型比較的其他版本特定指標
### 標記模型的進階指標
當您在訓練期間提供標記的資料時，Amazon S3 檔案中會包含其他效能指標：
+ **召回**：與您在相同期間標記的事件 AWS IoT SiteWise 正確識別的事件比例。例如，您可能已標記 10 個事件，但 AWS IoT SiteWise 只識別其中 9 個。在這種情況下，召回率為 90%。
+ **精確度**：真陽性與已識別事件總數的比例。例如，如果 AWS IoT SiteWise 識別 10 個事件，但其中只有 7 個事件對應至您標記的事件，則精確度為 70%。
+ **MeanFractionalLeadTime**：測量平均 AWS IoT SiteWise 偵測每個事件的速度 （相對於事件的長度）。例如，您設施的典型事件可能持續 10 小時。平均而言，模型可能需要 3 小時才能識別事件。在此情況下，平均分數前置時間為 0.7。
+ **AUC**：曲線下面積 (AUC) 測量機器學習模型預測正面範例比負面範例更高分數的能力。介於 0 和 1 之間的值，表示模型在資料集中分隔類別的能力有多好。值 1 表示它能夠完美地分隔類別。
### 模型提升和指標
在重新訓練工作流程期間，存放在 Amazon S3 中的指標可實現明智的模型提升決策：
#### 受管模式 （自動提升）
+ 系統會使用 Amazon S3 儲存的資料，在新舊模型版本之間自動比較指標
+ 根據改善的效能指標提升模型
+ 提升決策包括與指標一起存放的特定原因代碼：
+ `AUTO_PROMOTION_SUCCESSFUL`：新的模型指標優於目前的版本
+ `MODEL_METRICS_DIDNT_IMPROVE`：新模型效能未改善
+ `POOR_MODEL_QUALITY_DETECTED`：新模型的品質評估不佳
#### 手動模式 （客戶控制提升）
+ 您可以從 Amazon S3 下載和分析詳細指標，以做出提升決策
+ 所有歷史模型版本及其指標仍可在 Amazon S3 中存取
+ 您可以使用 Amazon S3 儲存的指標建置自訂儀表板和分析工具