UnivariateEntireDetectionResult Clase

Definición

Espacio de nombres:

Azure.AI.AnomalyDetector

Ensamblado:

Azure.AI.AnomalyDetector.dll

Paquete:

Azure.AI.AnomalyDetector v3.0.0-preview.7

Source:

UnivariateEntireDetectionResult.cs

Respuesta de toda la detección de anomalías.

public class UnivariateEntireDetectionResult

type UnivariateEntireDetectionResult = class

Public Class UnivariateEntireDetectionResult

Herencia

Object

UnivariateEntireDetectionResult

Propiedades

ExpectedValues	Valor esperado para cada punto de entrada. El índice de la matriz es coherente con la serie de entrada.
IsAnomaly	Propiedades de anomalías para cada punto de entrada. True significa que se ha detectado una anomalía (negativa o positiva). El índice de la matriz es coherente con la serie de entrada.
IsNegativeAnomaly	Estado de anomalía en una dirección negativa para cada punto de entrada. True significa que se ha detectado una anomalía negativa. Una anomalía negativa significa que el punto se detecta como anomalía y su valor real es menor que el esperado. El índice de la matriz es coherente con la serie de entrada.
IsPositiveAnomaly	Estado de anomalía en una dirección positiva para cada punto de entrada. True significa que se ha detectado una anomalía positiva. Una anomalía positiva significa que el punto se detecta como anomalía y su valor real es mayor que el esperado. El índice de la matriz es coherente con la serie de entrada.
LowerMargins	Margen inferior de cada punto de entrada. LowerMargin se usa para calcular lowerBoundary, que es igual a expectedValue - (100 - marginScale)*lowerMargin. Los puntos entre el límite se pueden marcar como normales en el lado cliente. El índice de la matriz es coherente con la serie de entrada.
Period	Frecuencia extraída de la serie. Cero significa que no se ha encontrado ningún patrón recurrente.
Severity	Puntuación de gravedad para cada punto de entrada. Cuanto mayor sea el valor, más grave será la anomalía. Para los puntos normales, la gravedad siempre es 0.
UpperMargins	Margen superior de cada punto de entrada. UpperMargin se usa para calcular upperBoundary, que es igual a expectedValue + (100 - marginScale)*upperMargin. Las anomalías en la respuesta se pueden filtrar por upperBoundary y lowerBoundary. Ajustar el valor marginScale puede ayudar a filtrar anomalías menos significativas en el lado cliente. El índice de la matriz es coherente con la serie de entrada.