Visualizzazione dei risultati

Dopo che il lavoro di rilevamento delle anomalie ha elaborato alcuni dati, puoi visualizzare i risultati.

!!! A seconda delle capacità del tuo computer, potrebbe essere necessario attendere alcuni secondi affinché l'analisi del machine learning generi i risultati iniziali.

Risultati per bucket

Quando visualizzi i risultati del machine learning, ogni bucket ha un punteggio di anomalia. Questo punteggio è una vista aggregata e normalizzata statisticamente dell'anomalia combinata di tutti i risultati dei record nel bucket.

Le analisi di machine learning migliorano il punteggio di anomalia per ogni bucket prendendo in considerazione i bucket contigui. Questa analisi multi-bucket utilizza effettivamente una finestra mobile per valutare gli eventi in ogni bucket rispetto al contesto più ampio degli eventi recenti. L'impatto multi-bucket indica quanto fortemente il punteggio finale di anomalia è influenzato dall'analisi multi-bucket. I limiti per i valori attesi sono calcolati per bucket, ma l'analisi multi-bucket non è limitata da questo ambito.

Se hai più di un lavoro di rilevamento delle anomalie, puoi anche ottenere i risultati complessivi per bucket, che combinano e correlano le anomalie da più lavori in un punteggio complessivo.

I risultati per bucket forniscono la vista complessiva e di alto livello del lavoro di rilevamento delle anomalie e sono ideali per gli allarmi. Ad esempio, i risultati per bucket potrebbero indicare che alle 16:05 il sistema era anomalo. Queste informazioni sono un riepilogo di tutte le anomalie, indicando quando si sono verificate. Quando identifichi un bucket anomalo, puoi indagare ulteriormente esaminando i record pertinenti.

Risultati degli influencer

I risultati degli influencer mostrano quali entità sono state anomale e quando. Un risultato di influencer viene scritto per ogni bucket per ogni influencer che influisce sull'anomalia del bucket. Le analisi di machine learning determinano l'impatto di un influencer eseguendo una serie di esperimenti che rimuovono tutti i punti dati con un valore specifico dell'influencer e verificano se il bucket è ancora anomalo. Ciò significa che solo gli influencer con impatti statisticamente significativi sull'anomalia sono riportati nei risultati. Per i lavori con più di un rilevatore, i punteggi degli influencer offrono una vista potente delle entità più anomale.

!!! I punteggi di anomalia dei risultati per bucket, per influencer e per record potrebbero differire leggermente. Questa discrepanza si verifica perché per ogni lavoro di rilevamento delle anomalie, ci sono risultati per bucket, risultati per influencer e risultati per record. I punteggi di anomalia vengono generati per ogni tipo di risultato.