UnivariateEntireDetectionResult Classe

Valeur attendue pour chaque point d’entrée. L’index du tableau est cohérent avec la série d’entrée.

Propriétés d’anomalie pour chaque point d’entrée. True signifie qu’une anomalie (négative ou positive) a été détectée. L’index du tableau est cohérent avec la série d’entrée.

L’anomalie status dans une direction négative pour chaque point d’entrée. True signifie qu’une anomalie négative a été détectée. Une anomalie négative signifie que le point est détecté comme une anomalie et que sa valeur réelle est inférieure à celle attendue. L’index du tableau est cohérent avec la série d’entrée.

L’anomalie status dans une direction positive pour chaque point d’entrée. True signifie qu’une anomalie positive a été détectée. Une anomalie positive signifie que le point est détecté comme une anomalie et que sa valeur réelle est supérieure à celle attendue. L’index du tableau est cohérent avec la série d’entrée.

Marge inférieure de chaque point d’entrée. LowerMargin est utilisé pour calculer la limite inférieure, qui est égale à expectedValue - (100 - marginScale)*lowerMargin. Les points entre la limite peuvent être marqués comme normaux côté client. L’index du tableau est cohérent avec la série d’entrée.

Fréquence extraite de la série. Zéro signifie qu’aucun modèle récurrent n’a été trouvé.

Score de gravité pour chaque point d’entrée. Plus la valeur est grande, plus l’anomalie est grave. Pour les points normaux, la gravité est toujours égale à 0.

Marge supérieure de chaque point d’entrée. UpperMargin est utilisé pour calculer upperBoundary, qui est égal à expectedValue + (100 - marginScale)*upperMargin. Les anomalies dans la réponse peuvent être filtrées par limite supérieure et limite inférieure. L’ajustement de la valeur marginScale peut aider à filtrer les anomalies moins importantes côté client. L’index du tableau est cohérent avec la série d’entrée.