在Elasticsearch中，可以将机器学习视为搜索和分析的自然扩展。它是对时间序列数据的分析。 Elasticsearch支持的机器学习功能可以通过运行metric任务来自动分析时间序列数据，该metric任务包含一个或多个定义了将要分析的字段的检测器。 它可以帮助我们识别单变量时间序列数据中的异常，并向我们显示正常情况。在Elasticsearch中，我们可以通过机器学习来检测时间系列中的异常情况。
先前，使用Elasticsearch时与机器学习有关的主要问题之一是解决异常检测的问题。基本上，异常检测是一个统计问题，可以通过从输入数据分布的常见统计属性中标记不规则性，以简单的方式解决。 但是，我们可以使用基于机器学习的方法来解决该问题，例如基于聚类的异常检测和基于支持向量机的异常检测。 Elastic Stack提供的机器学习功能可以涉及Kibana的数据可视化工具，作业管理，计划程序以及来自Elasticsearch的统计任务的指标（metrics）聚合。 我们甚至可以使用Beats收集数据。 例如，使用Metricbeat收集系统级资源使用情况统计信息。详细阅读请参阅https://blog.csdn.net/UbuntuTo ... 88922
更多Elastic阅读，请参阅https://blog.csdn.net/ubuntutouch
先前，使用Elasticsearch时与机器学习有关的主要问题之一是解决异常检测的问题。基本上，异常检测是一个统计问题，可以通过从输入数据分布的常见统计属性中标记不规则性，以简单的方式解决。 但是，我们可以使用基于机器学习的方法来解决该问题，例如基于聚类的异常检测和基于支持向量机的异常检测。 Elastic Stack提供的机器学习功能可以涉及Kibana的数据可视化工具，作业管理，计划程序以及来自Elasticsearch的统计任务的指标（metrics）聚合。 我们甚至可以使用Beats收集数据。 例如，使用Metricbeat收集系统级资源使用情况统计信息。详细阅读请参阅https://blog.csdn.net/UbuntuTo ... 88922
更多Elastic阅读，请参阅https://blog.csdn.net/ubuntutouch
0 个回复