Algoritmos

Docs > Dashboards > Funciones > Algoritmos

Anomalías

Función	Descripción	Ejemplo
`anomalies()`	Coloca una banda gris sobre la métrica que muestra el comportamiento esperado de una serie en función del pasado.	`anomalies(<METRIC_NAME>{*}, '<ALGORITHM>', <BOUNDS>)`

La función anomalies() tiene dos parámetros:

ALGORITHM: metodología que se utiliza para detectar anomalías.
BOUNDS: ancho de la banda gris. bounds se puede interpretar como las desviaciones estándar de tu algoritmo; un valor de 2 o 3 debería ser lo suficientemente grande como para incluir la mayoría de los puntos «normales».

Nota: Si utilizas los algoritmos de detección de anomalías ágiles o robustos con estacionalidad semanal o diaria, puedes actualizar el monitor de detección de anomalías para tener en cuenta una zona horaria local utilizando tanto la API como la interfaz de usuario.

Aquí tienes un videotutorial de dos minutos de duración:

Estacionalidad: de manera predeterminada, los algoritmos robust y agile utilizan la estacionalidad semanal, que requiere tres semanas de datos históricos para calcular la línea base.

Para obtener más información, consulta la página de Monitor de anomalías.

Outliers

Función	Descripción	Ejemplo
`outliers()`	Destaca las series de outliers.	`outliers(<METRIC_NAME>{*}, '<ALGORITHM>', <TOLERANCE>, <PERCENTAGE>)`

La función outliers() tiene tres parámetros:

ALGORITHM: el algoritmo de outliers a utilizar.
TOLERANCE: la tolerancia del algoritmo de outliers.
PERCENTAGE: el porcentaje de puntos atípicos necesarios para marcar una serie como outlier (solo disponible para los algoritmos MAD y scaledMAD).

Para obtener más información, consulta la página de Monitor de outliers.

Predicción

Función	Descripción	Ejemplo
`forecast()`	Predice hacia dónde se dirige una métrica en el futuro.	`forecast(<METRIC_NAME>{*}, '<ALGORITHM>', <DEVIATIONS>)`

La función forecast() tiene dos parámetros:

ALGORITHM: el algoritmo de predicción a utilizar; selecciona linear o seasonal. Para obtener más información sobre estos algoritmos, consulta la sección de Algoritmos de predicción.
DEVIATIONS: la amplitud del rango de valores pronosticados. Un valor de 1 o 2 debería ser lo suficientemente grande como para predecir la mayoría de los puntos «normales» con precisión.