Nouvelles annonces sur les technologies sans serveur et réseau ainsi que sur le RUM (Real-User Monitoring) dévoilées à la conférence Dash ! Nouvelles annonces dévoilées à la conférence Dash !

Régression

Évolution tendancielle robuste

FonctionDescriptionExemple
robust_trend()Ajuste une ligne de tendance de régression robuste grâce à la fonction de perte de Huber.robust_trend(avg:<NOM_MÉTRIQUE>{*})

La méthode des moindres carrés ordinaire (MCO) est le type le plus courant de régression linéaire. Elle peut être grandement influencée par un petit nombre de points avec des valeurs extrêmes. La régression robuste est une méthode alternative qui n’est pas autant influencée par un petit nombre de valeurs extrêmes. Prenons comme exemple le graphique suivant.

La métrique d’origine est représentée par une ligne bleue continue. La ligne violette en pointillés est une ligne de régression MCO et la ligne jaune en pointillés est une ligne de régression robuste. Le seul pic de courte durée de la métrique engendre une ligne de régression MCO qui suit une tendance à la hausse, mais la ligne de régression robuste ignore ce pic et reflète davantage la tendance générale de la métrique.

Ligne de tendance

FonctionDescriptionExemple
trend_line()Ajuste une ligne de régression des moindres carrés ordinaire en fonction des valeurs des métriques.trend_line(avg:<NOM_MÉTRIQUE>{*})

Exemple :

Si on trace la fonction sin(x) * x/2 + x, alors trend_line(sin(x) * x/2 + x) prendra la forme suivante :

Fonction constante par morceaux

FonctionDescriptionExemple
piecewise_constant()Réalise une estimation de la métrique à l’aide d’une fonction par morceaux composée de segments avec des valeurs constantes.piecewise_constant(avg:<NOM_MÉTRIQUE>{*})

Exemple :

Si on trace la fonction x, alors piecewise_constant(x) prendra la forme suivante :

Autres fonctions