DetectEntireResponse interface

Paket:

@azure/ai-anomaly-detector

Svaret för hela avvikelseidentifieringen.

Egenskaper

expectedValues	ExpectedValues innehåller förväntat värde för varje indatapunkt. Matrisens index överensstämmer med indataserien.
isAnomaly	IsAnomaly innehåller avvikelseegenskaper för varje indatapunkt. Sant innebär att en avvikelse, antingen negativ eller positiv, har identifierats. Matrisens index överensstämmer med indataserien.
isNegativeAnomaly	IsNegativeAnomaly innehåller avvikelsestatus i negativ riktning för varje indatapunkt. Sant innebär att en negativ avvikelse har identifierats. En negativ avvikelse innebär att punkten identifieras som en avvikelse och dess verkliga värde är mindre än förväntat. Matrisens index överensstämmer med indataserien.
isPositiveAnomaly	IsPositiveAnomaly innehåller avvikelsestatus i positiv riktning för varje indatapunkt. Sant innebär att en positiv avvikelse har identifierats. En positiv avvikelse innebär att punkten identifieras som en avvikelse och dess verkliga värde är större än förväntat. Matrisens index överensstämmer med indataserien.
lowerMargins	LowerMargins innehåller lägre marginaler för varje indatapunkt. LowerMargin används för att beräkna lowerBoundary, vilket är lika med expectedValue – (100 - marginScale)*lowerMargin. Punkter mellan gränsen kan markeras som normala på klientsidan. Matrisens index överensstämmer med indataserien.
period	Frekvensen extraheras från serien, noll innebär att inget återkommande mönster har hittats.
severity	Allvarlighetsgraden för varje indatapunkt. Ju större värdet är, desto mer sever är avvikelsen. För normala punkter är "allvarlighetsgraden" alltid 0.
upperMargins	UpperMargins innehåller den övre marginalen för varje indatapunkt. UpperMargin används för att beräkna upperBoundary, vilket är lika med expectedValue + (100 - marginScale)*upperMargin. Avvikelser i svaret kan filtreras efter upperBoundary och lowerBoundary. Genom att justera marginScale-värdet kan mindre betydande avvikelser filtreras på klientsidan. Matrisens index överensstämmer med indataserien.

Egenskapsinformation

expectedValues

ExpectedValues innehåller förväntat värde för varje indatapunkt. Matrisens index överensstämmer med indataserien.

expectedValues: number[]

Egenskapsvärde

number[]

isAnomaly

IsAnomaly innehåller avvikelseegenskaper för varje indatapunkt. Sant innebär att en avvikelse, antingen negativ eller positiv, har identifierats. Matrisens index överensstämmer med indataserien.

isAnomaly: boolean[]

Egenskapsvärde

boolean[]

isNegativeAnomaly

IsNegativeAnomaly innehåller avvikelsestatus i negativ riktning för varje indatapunkt. Sant innebär att en negativ avvikelse har identifierats. En negativ avvikelse innebär att punkten identifieras som en avvikelse och dess verkliga värde är mindre än förväntat. Matrisens index överensstämmer med indataserien.

isNegativeAnomaly: boolean[]

Egenskapsvärde

boolean[]

isPositiveAnomaly

IsPositiveAnomaly innehåller avvikelsestatus i positiv riktning för varje indatapunkt. Sant innebär att en positiv avvikelse har identifierats. En positiv avvikelse innebär att punkten identifieras som en avvikelse och dess verkliga värde är större än förväntat. Matrisens index överensstämmer med indataserien.

isPositiveAnomaly: boolean[]

Egenskapsvärde

boolean[]

lowerMargins

LowerMargins innehåller lägre marginaler för varje indatapunkt. LowerMargin används för att beräkna lowerBoundary, vilket är lika med expectedValue – (100 - marginScale)*lowerMargin. Punkter mellan gränsen kan markeras som normala på klientsidan. Matrisens index överensstämmer med indataserien.

lowerMargins: number[]

Egenskapsvärde

number[]

period

Frekvensen extraheras från serien, noll innebär att inget återkommande mönster har hittats.

period: number

Egenskapsvärde

number

severity

Allvarlighetsgraden för varje indatapunkt. Ju större värdet är, desto mer sever är avvikelsen. För normala punkter är "allvarlighetsgraden" alltid 0.

severity?: number[]

Egenskapsvärde

number[]

upperMargins

UpperMargins innehåller den övre marginalen för varje indatapunkt. UpperMargin används för att beräkna upperBoundary, vilket är lika med expectedValue + (100 - marginScale)*upperMargin. Avvikelser i svaret kan filtreras efter upperBoundary och lowerBoundary. Genom att justera marginScale-värdet kan mindre betydande avvikelser filtreras på klientsidan. Matrisens index överensstämmer med indataserien.

upperMargins: number[]

Egenskapsvärde

number[]