UnivariateEntireDetectionResult Classe

Definição

Namespace:

Azure.AI.AnomalyDetector

Assembly:

Azure.AI.AnomalyDetector.dll

Pacote:

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

Origem:

UnivariateEntireDetectionResult.cs

Resposta de toda a detecção de anomalias.

public class UnivariateEntireDetectionResult

type UnivariateEntireDetectionResult = class

Public Class UnivariateEntireDetectionResult

Herança

Object

UnivariateEntireDetectionResult

Propriedades

ExpectedValues	Valor esperado para cada ponto de entrada. O índice da matriz é consistente com a série de entrada.
IsAnomaly	Propriedades de anomalias para cada ponto de entrada. True significa que uma anomalia (negativa ou positiva) foi detectada. O índice da matriz é consistente com a série de entrada.
IsNegativeAnomaly	A anomalia status em uma direção negativa para cada ponto de entrada. True significa que uma anomalia negativa foi detectada. Uma anomalia negativa significa que o ponto é detectado como uma anomalia e seu valor real é menor que o esperado. O índice da matriz é consistente com a série de entrada.
IsPositiveAnomaly	A anomalia status em uma direção positiva para cada ponto de entrada. True significa que uma anomalia positiva foi detectada. Uma anomalia positiva significa que o ponto é detectado como uma anomalia e seu valor real é maior do que o esperado. O índice da matriz é consistente com a série de entrada.
LowerMargins	Margem inferior de cada ponto de entrada. LowerMargin é usado para calcular lowerBoundary, que é igual a expectedValue - (100 - marginScale)*lowerMargin. Os pontos entre o limite podem ser marcados como normais no lado do cliente. O índice da matriz é consistente com a série de entrada.
Period	Frequência extraída da série. Zero significa que nenhum padrão recorrente foi encontrado.
Severity	Pontuação de severidade para cada ponto de entrada. Quanto maior for o valor, mais grave será a anomalia. Para pontos normais, a gravidade é sempre 0.
UpperMargins	Margem superior de cada ponto de entrada. UpperMargin é usado para calcular upperBoundary, que é igual a expectedValue + (100 - marginScale)*upperMargin. As anomalias na resposta podem ser filtradas por upperBoundary e lowerBoundary. Ajustar o valor marginScale pode ajudar a filtrar anomalias menos significativas no lado do cliente. O índice da matriz é consistente com a série de entrada.