Detección de anomalías de HANA

Propiedades que se pueden configurar para el algoritmo Detección de anomalías de HANA.

Sintaxis Use este algoritmo para buscar modelos en los datos que no se ajusten al comportamiento previsto.
Nota No se admite la creación de modelos mediante el algoritmo de detección de anomalías de HANA.
Propiedades de la detección de anomalías de HANA
Tabla 1: Propiedades de algoritmo
Propiedad Descripción
Modo de salida Seleccione el modo en el que desea usar la salida de este algoritmo.
Columnas independientes Seleccione las columnas de origen de entrada.
Valores faltantes Seleccione el método para manejar los valores perdidos.
Valores posibles:
  • Omitir: el algoritmo omite los registros que contienen valores faltantes en las columnas independientes o dependientes.
  • Conservar: el algoritmo conserva los registros que contiene los valores faltantes durante el cálculo.
Porcentaje de anomalías Introduzca el porcentaje del valor que indica la proporción de anomalías que hay en los datos de origen. El valor predeterminado es 10.
Método de detección de anomalías Seleccione el método de detección de anomalías.
  • Por distancia del centro
  • Por la suma de distancias de todos los centros
Repeticiones máximas Introduzca el número de repeticiones permitidas para buscar clústeres. El valor predeterminado es 100.
Método de cálculo central Seleccione el método para calcular los centros del clúster inicial.
Tipo de normalización Seleccione el tipo de normalización.
Número de clústeres Introduzca el número de grupos para la agrupación en clúster.
Número de subprocesos Escriba el número de subprocesos que debe usar el algoritmo durante la ejecución. El valor predeterminado es 1.
Umbral de salida Introduzca el valor de umbral para salir de las repeticiones. El valor predeterminado es 0,0001.
Medición de distancia Introduzca el medidor para calcular la distancia entre el elemento y el centro del clúster.
Nombre de columna prevista Introduzca un nombre para la nueva columna que contiene los valores previstos.