Algorithmes

Anomalies

FonctionDescriptionExemple
anomalies()Applique une bande grise sur la métrique pour montrer le comportement attendu d’une série d’après les données historiques.anomalies(<NOM_MÉTRIQUE>{*}, '<ALGORITHME>', <LIMITES>)

La fonction anomalies() comprend deux paramètres :

  • ALGORITHME : méthodologie utilisée pour détecter les anomalies.
  • LIMITES : largeur de la bande grise. LIMITES peut être interprété comme la représentation de l’écart type de votre algorithme. Une valeur de 2 ou 3 doit suffire pour inclure la plupart des points « normaux ».

Remarque : si vous utilisez des algorithmes de détection d’anomalies agiles ou robustes avec un caractère saisonnier hebdomadaire ou quotidien, vous pouvez mettre à jour votre monitor de détection d’anomalies afin de prendre en compte un fuseau horaire local à l’aide de l’API et de l’IU.

Voici une présentation vidéo de deux minutes à ce sujet :

Saisonnalité : Par défaut, les algorithmes robust et agile utilisent la saisonnalité hebdomadaire, qui nécessite de recueillir des données historiques pendant trois semaines pour calculer la référence.

Consultez la page Monitor d’anomalie pour en savoir plus.

Singularités

FonctionDescriptionExemple
outliers()Mettre en valeur les séries de singularités.outliers(<NOM_MÉTRIQUE>{*}, '<ALGORITHME>', <TOLÉRANCE>, <POURCENTAGE>)

La fonction outliers() comprend trois paramètres :

  • ALGORITHME : l’algorithme de singularité à utiliser.
  • TOLÉRANCE : la tolérance de l’algorithme de singularité.
  • POURCENTAGE : le pourcentage de points extrêmes nécessaires pour considérer qu’une série constitue une singularité (disponible uniquement pour les algorithmes MAD et scaledMAD).

Consultez la page Monitor outlier pour en savoir plus.

Forecast

FonctionDescriptionExemple
forecast()Prédit la direction future d’une métrique.forecast(<NOM_MÉTRIQUE>{*}, '<ALGORITHME>', <DÉVIATIONS>)

La fonction forecast() comprend deux paramètres :

  • ALGORITHME : l’algorithme de prévision à utiliser. Les options disponibles sont linear et seasonal. Pour en savoir plus sur ces algorithmes, consultez la section Algorithmes de prévision.
  • DÉVIATIONS : la largeur de la plage des valeurs prédites. Une valeur de 1 ou 2 devrait être suffisante pour prévoir avec précision la plupart des points « normaux ».

Autres fonctions