Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Détection des cas particuliers grâce à la détection des anomalies basée sur le machine learning
Amazon Quick Sight utilise la technologie éprouvée d'Amazon pour exécuter en continu une détection des anomalies basée sur le ML sur des millions de métriques afin de découvrir les tendances cachées et les valeurs aberrantes dans vos données. Cet outil vous permet d’obtenir des analyses approfondies qui sont souvent enfouies dans les agrégats et ne sont pas évolutives avec une analyse manuelle. Avec la détection des anomalies basée sur le Machine Learning, vous pouvez détecter des cas particuliers sans effectuer d’analyse manuelle, de développement personnalisé ou posséder un savoir-faire dans le domaine du Machine Learning.
Amazon Quick Sight vous avertit dans vos visuels s'il détecte que vous pouvez analyser une anomalie ou faire des prévisions sur vos données.
La détection des anomalies n’est pas disponible dans la région `eu-central-2` Europe (Zurich).
**Important**
La détection des anomalies basée sur le Machine Learning est une tâche gourmande en calcul. Avant de commencer à l’utiliser, vous pouvez simuler les coûts en analysant la quantité de données que vous souhaitez utiliser. Nous proposons un modèle de tarification progressif basé sur le nombre de métriques que vous traitez par mois.
**Topics**
+ [Concepts pour la détection des anomalies ou des cas particuliers](anomaly-detection-outliers-and-key-drivers.md)
+ [Configuration de la détection des anomalies basée sur le Machine Learning pour l’analyse des cas particuliers](anomaly-detection-using.md)
+ [Exploration des valeurs aberrantes et des facteurs clés grâce à la détection d’anomalies et à l’analyse de contribution basées sur le ML](anomaly-exploring.md)
# Concepts pour la détection des anomalies ou des cas particuliers
Amazon Quick Sight utilise le mot *anomalie* pour décrire les points de données qui ne font pas partie d'un schéma général de distribution. Le terme « anomalies » est un terme scientifique qui a de nombreux synonymes, comme cas particuliers, écarts, bizarreries, exceptions, irrégularités, et bien plus encore. Le terme que vous utilisez peut dépendre du type d’analyse que vous effectuez, du type de données que vous utilisez, ou encore simplement de la préférence de votre groupe. Ces points de données marginaux représentent une entité (personne, lieu, objet ou moment) qui est exceptionnelle d’une manière ou d’une autre.
Les êtres humains reconnaissent facilement les modèles et repèrent les éléments qui diffèrent. Nos sens repèrent ces informations. Si le modèle est simple et que la quantité de données est moindre, vous pouvez facilement créer un graphique pour mettre en évidence les cas particuliers dans vos données. Voici quelques exemples simples :
+ Un ballon rouge dans un groupe de ballons bleus
+ Un cheval de course très en avance sur les autres
+ Un enfant qui n’est pas attentif en classe
+ Une journée où les commandes en ligne sont en hausse, mais les expéditions sont en baisse
+ Une personne qui s’est bien rétablie, contrairement à d’autres personnes
Certains points de données représentent un événement significatif, tandis que d’autres représentent une occurrence aléatoire. L’analyse révèle quelles données méritent d’être étudiées, en fonction des facteurs clés qui ont contribué à l’événement. Les questions sont essentielles à l’analyse des données. Pourquoi cela s’est-il produit ? À quoi est-ce lié ? Cela s’est-il produit une seule fois ou plusieurs fois ? Que pouvez-vous faire pour encourager ou décourager cet événement ?
Pour comprendre comment et pourquoi un écart existe et si ces écarts font l’objet d’un modèle, vous devez pousser la réflexion plus loin. Sans le Machine Learning, plusieurs personnes peuvent arriver à une conclusion différente, du fait de leurs différentes expériences et informations. Chaque personne est donc susceptible de prendre des décisions professionnelles légèrement différentes. Lorsque de nombreuses données ou variables doivent être prises en compte, l’analyse peut être surchargée.
La détection des anomalies basée sur le Machine Learning identifie les facteurs et les corrélations pour vous permettre de prendre des décisions basées sur les données. Vous contrôlez et définissez la façon dont vous souhaitez que la tâche analyse vos données. Vous pouvez spécifier vos propres paramètres et choisir d’autres options, telles que l’identification des facteurs clés dans une analyse de contribution. Ou vous pouvez utiliser les paramètres par défaut. La section suivante vous guide tout au long du processus d’installation et fournit des explications sur les options disponibles.
# Configuration de la détection des anomalies basée sur le Machine Learning pour l’analyse des cas particuliers
Utilisez les procédures décrites dans les sections suivantes pour commencer à détecter les valeurs aberrantes et les anomalies, et pour identifier les facteurs clés qui y contribuent.
**Topics**
+ [Affichage des notifications d’anomalies et de prévisions](anomaly-detection-adding-from-visuals.md)
+ [Ajout d’une analyse ML pour détecter les valeurs aberrantes et les éléments clés](anomaly-detection-adding-anomaly-insights.md)
+ [Utilisation de l’analyse de contribution pour les facteurs clés](anomaly-detection-adding-key-drivers.md)
# Affichage des notifications d’anomalies et de prévisions
Amazon Quick Sight vous avertit par un visuel qui détecte une anomalie, des facteurs clés ou une opportunité de prévision. Vous pouvez suivre les invites pour configurer la détection d’anomalies ou les prévisions en fonction des données de cette représentation visuelle.
1. Dans un graphique linéaire existant, recherchez une notification d’analyse dans le menu du widget du visuel.
1. Cliquez sur l'icône en forme d'ampoule pour afficher la notification.
1. Si vous voulez plus d’informations sur l’analyse ML, vous pouvez suivre les invites de l’écran pour ajouter une analyse ML.
# Ajout d’une analyse ML pour détecter les valeurs aberrantes et les éléments clés
Vous pouvez ajouter une analyse ML qui détecte les *anomalies*, c’est-à-dire les valeurs aberrantes qui semblent significatives. Pour commencer, vous créez pour votre analyse un widget, également connu sous le nom d’*autonarration*. Pendant que vous configurez vos options, vous pouvez voir une capture d’écran limitée de votre analyse dans le volet **Aperçu** à droite de l’écran.
Dans votre widget d’analyse, vous pouvez ajouter jusqu’à cinq champs de dimension qui ne sont pas des champs calculés. Dans les puits de champ, les valeurs des **catégories** représentent les valeurs dimensionnelles utilisées par Amazon Quick Sight pour diviser la métrique. Supposons, par exemple, que vous analysiez le chiffre d'affaires de toutes les catégories de produits et de tous les produits SKUs. Il existe 10 catégories de produits, chacune contenant 10 produits SKUs. Amazon Quick Sight divise la métrique par 100 combinaisons uniques et exécute une détection des anomalies sur chaque combinaison pour la division.
La procédure suivante montre comment procéder et comment ajouter une analyse de contribution pour détecter les facteurs clés à l’origine de chaque anomalie. Vous pouvez ajouter l’analyse de contribution ultérieurement, comme décrit dans [Utilisation de l’analyse de contribution pour les facteurs clés](anomaly-detection-adding-key-drivers.md).
**Pour configurer l’analyse des valeurs aberrantes, y compris les facteurs clés**
1. Ouvrez votre analyse et, dans le menu supérieur, choisissez **Insights (Informations)**, puis **Add (Ajouter)**. Dans la liste, choisissez **Anomaly detection (Détection des anomalies)** et **Select (Sélectionner)**.
1. Suivez l’invite à l’écran concernant le nouveau widget, qui vous indique de choisir des champs pour l’information. Vous devez ajouter au moins une date, une métrique et une dimension.
1. Choisissez **Get started (Démarrer)** sur le widget. L’écran de configuration s’affiche.
1. Sous **Options de calcul**, choisissez des valeurs pour les options suivantes.
1. Pour **Combinaisons à analyser**, choisissez l’une des options suivantes :
1. **Hiérarchique**
Choisissez cette option si vous voulez analyser les champs de manière hiérarchique. Par exemple, si vous avez choisi une date (T), une mesure (N) et trois catégories de dimensions (C1, C2 et C3), Quick Sight analyse les champs de manière hiérarchique, comme indiqué ci-dessous.
```
T-N, T-C1-N, T-C1-C2-N, T-C1-C2-C3-N
```
1. **Exact**
Choisissez cette option si vous voulez analyser uniquement la combinaison exacte des champs dans le sélecteur de champs Catégorie, tels qu’ils sont répertoriés. Par exemple, si vous avez choisi une date (T), une mesure (N) et trois catégories de dimensions (C1, C2 et C3), Quick Sight analyse uniquement la combinaison exacte des champs de catégories dans l'ordre dans lequel ils sont répertoriés, comme indiqué ci-dessous.
```
T-C1-C2-C3-N
```
1. **Tous**
Choisissez cette option si vous voulez analyser toutes les combinaisons de champs dans le puits de champs Catégorie. Par exemple, si vous avez choisi une date (T), une mesure (N) et trois catégories de dimensions (C1, C2 et C3), Quick Sight analyse toutes les combinaisons de champs, comme indiqué ci-dessous.
```
T-N, T-C1-N, T-C1-C2-N, T-C1-C2-C3-N, T-C1-C3-N, T-C2-N, T-C2-C3-N, T-C3-N
```
Si vous avez choisi une date et une mesure uniquement, Quick Sight analyse les champs par date, puis par mesure.
Dans la section **Champs à analyser**, vous pouvez voir une liste de champs provenant des puits de champs à titre de référence.
1. Pour **Nom**, saisissez un nom alphanumérique descriptif sans espace ou choisissez la valeur par défaut. Cela permet de donner un nom au calcul.
Si vous envisagez de modifier la narration qui s’affiche automatiquement sur le widget, vous pouvez utiliser le nom pour identifier le calcul de ce widget. Personnalisez le nom si vous prévoyez de modifier la narration automatique et si vous avez d’autres calculs similaires dans votre analyse.
1. Dans la section **Options d’affichage**, choisissez les options suivantes pour personnaliser ce qui est affiché dans votre widget d’analyse. Vous pouvez toujours explorer tous vos résultats, quel que soit l’affichage choisi.
1. **Nombre maximal d’anomalies à afficher** – Le nombre d’anomalies que vous voulez afficher dans le widget narratif.
1. **Sévérité** – Le niveau minimum de gravité des anomalies que vous voulez afficher dans le widget d’analyse.
Un *niveau de gravité* est une plage de scores d’anomalie qui se caractérise par le plus faible score réel d’anomalies inclus dans la plage. Toutes les anomalies qui ont une note plus élevée sont incluses dans la plage. Si vous définissez la gravité sur **Faible**, l’aperçu affiche toutes les anomalies qui se classent entre faible et très élevée. Si vous définissez la gravité sur **Très élevée**, l’aperçu affiche uniquement les anomalies présentant les notes d’anomalie les plus élevées.
Vous pouvez utiliser les options suivantes :
+ **Très élevée**
+ **Élevée et supérieure**
+ **Moyenne et supérieure**
+ **Faible et supérieure**
1. **Direction** – La direction sur l’axe des x ou l’axe des y que vous voulez identifier comme anormale. Sélectionnez parmi les éléments suivants :
+ **Plus élevé que prévu** pour identifier les valeurs plus élevées comme des anomalies.
+ **Plus bas que prévu** pour identifier les valeurs plus basses comme des anomalies.
+ **[TOUT]** pour identifier toutes les valeurs anormales, qu’elles soient élevées ou faibles (paramètre par défaut).
1. **Delta** – Saisissez une valeur personnalisée à utiliser pour identifier les anomalies. Tout nombre supérieur à la valeur de seuil est considéré comme une anomalie. Les valeurs ici modifient le fonctionnement de l’information dans votre analyse. Dans cette section, vous pouvez définir les éléments suivants :
+ **Valeur absolue** – La valeur réelle à utiliser. Par exemple, supposons qu’il s’agisse de 48. Amazon Quick Sight identifie ensuite les valeurs comme anormales lorsque la différence entre une valeur et la valeur attendue est supérieure à 48.
+ **Pourcentage** – Seuil de pourcentage à utiliser. Par exemple, supposons qu’il s’agisse de 12,5 %. Amazon Quick Sight identifie ensuite les valeurs comme anormales lorsque la différence entre une valeur et la valeur attendue est supérieure à 12,5 %.
1. **Trier par** – Choisissez une méthode de tri pour vos résultats. Certaines méthodes sont basées sur le score d'anomalie généré par Amazon Quick Sight. Amazon Quick Sight attribue des scores plus élevés aux points de données qui semblent anormaux. Vous pouvez utiliser les options suivantes :
+ **Score d’anomalie pondéré** – Score d’anomalie multiplié par le logarithme de la valeur absolue de la différence entre la valeur réelle et la valeur attendue. Il s’agit toujours d’un nombre positif.
+ **Score d’anomalie** – Score d’anomalie réel attribué à ce point de données.
+ **Différence pondérée par rapport à la valeur attendue** – Score d’anomalie multiplié par la différence entre la valeur réelle et la valeur attendue (par défaut).
+ **Différence par rapport à la valeur attendue** – Différence réelle entre la valeur réelle et la valeur attendue (c’est-à-dire réelle-attendue).
+ **Valeur réelle** – Valeur réelle sans aucune formule appliquée.
1. Dans la section **Options de planification**, définissez la planification de l’exécution automatique du recalcul de l’analyse. La planification s’exécute uniquement pour des tableaux de bord publiés. Dans l’analyse, vous pouvez l’exécuter manuellement si nécessaire. Ce fichier contient les paramètres suivants :
+ **Occurrence** – Définissez la fréquence à laquelle vous voulez que le recalcul soit exécuté : toutes les heures, tous les jours, toutes les semaines ou tous les mois.
+ **Lancer la planification le** – La date et l’heure de début de l’exécution de la planification.
+ **Fuseau horaire** – Le fuseau horaire dans lequel la planification s’exécute. Pour afficher une liste, supprimez l’entrée actuelle.
1. Dans la section **Principaux contributeurs**, configurez Amazon Quick Sight pour analyser les principaux facteurs en cas de détection d'une valeur aberrante (anomalie).
Par exemple, Amazon Quick Sight peut indiquer les principaux clients qui ont contribué à l'augmentation des ventes de produits de bricolage aux États-Unis. Vous pouvez ajouter jusqu’à quatre dimensions provenant de votre jeu de données. Il s’agit notamment des dimensions que vous n’avez pas ajoutées aux sélecteurs de champs de ce widget d’analyse.
Pour obtenir une liste des dimensions disponibles pour l’analyse de contribution, sélectionnez **Sélectionner les champs**.
1. Choisissez **Enregistrer** pour confirmer vos choix. Choisissez **Cancel (Annuler)** pour quitter sans sauvegarder.
1. Dans le widget d’analyse, sélectionnez **Exécuter maintenant** pour lancer la détection d’anomalies et afficher votre analyse.
La durée de la détection d’anomalies varie en fonction du nombre de points de données uniques que vous analysez. Le processus peut prendre quelques minutes pour un nombre réduit de points, ou durer plusieurs heures.
Pendant son exécution en arrière-plan, vous pouvez effectuer d’autres tâches dans votre analyse. Attendez la fin de la détection avant de modifier la configuration, d’éditer la narration ou d’ouvrir la page **Explorer les anomalies** pour cette analyse.
Le widget d’analyse doit être exécuté au moins une fois avant que vous puissiez voir les résultats. Si vous pensez que le statut peut être obsolète, vous pouvez actualiser la page. L’analyse peut avoir les états suivants.
| S’affiche sur la page | Statut |
| --- | --- |
| Bouton Run now (Exécuter maintenant) | La tâche n’a pas encore commencé. |
| Message à propos de Analyzing for anomalies (Analyse des anomalies) | La tâche est en cours d’exécution. |
| Texte concernant les anomalies détectées (cas particuliers) | La tâche s’est exécutée avec succès. Le message indique quand le calcul de ce widget a été mis à jour pour la dernière fois. |
| Icône d’alerte avec un point d’exclamation (\$1) | Cette icône indique qu’une erreur s’est produite lors de la dernière exécution. Si la narration s’affiche également, vous pouvez toujours utiliser Explore anomalies (Explorer les anomalies) pour utiliser les données de l’exécution réussie précédente. |
# Utilisation de l’analyse de contribution pour les facteurs clés
Amazon Quick Sight peut identifier les dimensions (catégories) qui contribuent aux valeurs aberrantes dans les mesures (métriques) entre deux points dans le temps. Le facteur clé qui contribue à une valeur aberrante vous aide à répondre à la question suivante : Que s’est-il passé pour provoquer cette anomalie ?
Si vous utilisez déjà la détection d’anomalies sans analyse de contribution, vous pouvez activer l’analyse ML existante pour trouver les facteurs clés. Suivez la procédure suivante pour ajouter l’analyse de contribution et identifier les facteurs clés à l’origine des valeurs aberrantes. Votre analyse pour la détection d’anomalies doit inclure un champ temporel et au moins une métrique agrégée (SOMME, MOYENNE ou COMPTE). Vous pouvez inclure plusieurs catégories (champs de dimension) si vous le souhaitez, mais vous pouvez également exécuter l’analyse de contribution sans spécifier de catégorie ou de champ de dimension.
Vous pouvez également utiliser cette procédure pour modifier ou supprimer des champs en tant que facteurs clés dans votre détection d’anomalies.
**Pour ajouter une analyse de contribution afin d’identifier les facteurs clés**
1. Ouvrez votre analyse et localisez une analyse ML existante pour la détection des anomalies. Sélectionnez le widget de l’analyse pour le mettre en évidence.
1. Choisissez **Options de menu** (**…**) dans le menu de la représentation visuelle.
1. Choisissez **Configurer l’anomalie** pour modifier les paramètres.
1. Le paramètre **Analyse des contributions (facultatif)** permet à Amazon Quick Sight d'analyser les principaux facteurs lorsqu'une valeur aberrante (anomalie) est détectée. Par exemple, Amazon Quick Sight peut vous indiquer les principaux clients qui ont contribué à l'augmentation des ventes de produits de bricolage aux États-Unis. Vous pouvez ajouter jusqu’à quatre dimensions de votre jeu de données, y compris des dimensions que vous n’avez pas ajoutées aux sélecteurs de ce widget d’information.
Pour afficher la liste des dimensions disponibles pour l’analyse de contribution, choisissez **Select fields (Sélectionner les champs)**.
Si vous voulez modifier les champs que vous utilisez comme facteurs clés, modifiez les champs activés dans cette liste. Si vous les désactivez tous, Quick Sight n'effectuera aucune analyse des contributions à cet aperçu.
1. Pour enregistrer vos modifications, faites défiler jusqu’au bas des options de configuration et sélectionnez **Enregistrer**. Pour quitter sans sauvegarder, choisissez **Annuler**. Pour supprimer complètement ces paramètres, cliquez sur **Supprimer**.
# Exploration des valeurs aberrantes et des facteurs clés grâce à la détection d’anomalies et à l’analyse de contribution basées sur le ML
Vous pouvez explorer de manière interactive les anomalies (également appelées cas particuliers) de votre analyse, ainsi que les facteurs qui y contribuent (facteurs clés). Vous pouvez explorer l’analyse après l’exécution de la détection d’anomalies par le ML. Les modifications que vous apportez dans cet écran ne sont pas enregistrées lorsque vous revenez à l’analyse.
Pour commencer, sélectionnez **Explorer les anomalies** dans l’analyse. La capture d’écran suivante montre l’écran des anomalies tel qu’il apparaît lorsque vous l’ouvrez pour la première fois. Dans cet exemple, l’analyse des contributeurs est configurée et montre deux facteurs clés.
![\[Analyse des anomalies avec affichage des contributeurs.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/anomaly-exploration-v2.png)
Les sections de l’écran sont les suivantes, du haut à gauche au bas à droite :
+ **Contributeurs** affiche les facteurs clés. Pour voir cette section, vous devez avoir des contributeurs dans votre configuration d’anomalie.
+ **Contrôles** contient les paramètres d’exploration des anomalies.
+ **Nombre d’anomalies** affiche les valeurs aberrantes détectées au fil du temps. Vous pouvez masquer ou afficher cette section du graphique.
+ Les **Noms de vos champs** de catégorie ou de dimension servent de titres aux graphiques qui affichent les anomalies pour chaque catégorie ou dimension.
Les sections suivantes fournissent des informations détaillées sur chaque aspect de l’exploration des anomalies.
**Topics**
+ [Exploration des contributeurs (facteurs clés)](exploring-anomalies-key-drivers.md)
+ [Paramétrage des contrôles pour la détection des anomalies](exploring-anomalies-controls.md)
+ [Affichage et masquage des anomalies par date](exploring-anomalies-by-date.md)
+ [Exploration des anomalies par catégorie ou dimension](exploring-anomalies-per-category-or-dimension.md)
# Exploration des contributeurs (facteurs clés)
Si votre analyse des anomalies est configurée pour détecter les principaux facteurs, Quick Sight exécute l'analyse des contributions afin de déterminer quelles catégories (dimensions) influencent les valeurs aberrantes. La section **Contributeurs** apparaît à gauche.
**Contributeurs** contient les sections suivantes :
+ **Narratif** – En haut à gauche, un résumé décrit tout changement dans les métriques.
+ **Configuration des principaux facteurs** – Choisissez **Configurer** pour modifier les facteurs et la plage de dates à utiliser dans cette section.
+ **Trier par** – Définit le tri appliqué aux résultats qui apparaissent en dessous. Sélectionnez parmi les éléments suivants :
+ **Absolute difference (Différence absolue)**
+ **Contribution percentage (Pourcentage de contribution)** (par défaut)
+ **Deviation from expected (Écart par rapport aux prévisions)**
+ **Percentage difference (Différence en pourcentage)**
+ **Résultats concernant les principaux facteurs** – Affiche les résultats de l’analyse des principaux facteurs pour le point dans le temps sélectionné sur la chronologie située à droite.
L’analyse des contributions identifie jusqu’à quatre des facteurs principaux ou facteurs clés qui contribuent à une anomalie. Par exemple, Amazon Quick Sight peut vous indiquer les principaux clients qui ont contribué à l'augmentation des ventes de produits de santé aux États-Unis. Ce panneau n’apparaît que si vous choisissez d’inclure des champs dans l’analyse des contributions lorsque vous configurez l’anomalie.
Si vous ne voyez pas ce panneau et que vous voulez l’afficher, vous pouvez l’activer. Pour cela, allez à l’analyse, choisissez la configuration des anomalies dans le menu de l’aperçu et choisissez jusqu’à quatre champs pour analyser les contributions. Si vous apportez des modifications aux contrôles de la feuille qui excluent les pilotes contributeurs, le panneau **Contributions** se ferme.
# Paramétrage des contrôles pour la détection des anomalies
Vous trouverez les paramètres de la détection d’anomalies dans la section **Contrôles** de l’écran. Vous pouvez ouvrir et fermer cette section en cliquant sur le mot **Contrôles**.
Les paramètres incluent entre autres :
+ **Contrôles** – Les paramètres actuels apparaissent en haut de l’espace de travail. Vous pouvez développer cette section en cliquant sur l’icône à double flèche située à droite. Les paramètres suivants sont disponibles pour explorer les cas particuliers générés par la détection des anomalies basée sur le Machine Learning :
+ **Sévérité** – Définit le degré de sensibilité de votre détecteur aux anomalies détectées (valeurs aberrantes). Vous devriez vous attendre à voir plus d’anomalies lorsque le seuil est réglé sur **Bas et plus**, et moins d’anomalies lorsque le seuil est réglé sur **Haut et plus**. Cette sensibilité est déterminée en fonction des écarts-types du score d’anomalie généré par l’algorithme RCF. La valeur par défaut est **Moyenne et supérieure**.
+ **Direction** – La direction sur l’axe des x ou l’axe des y que vous voulez identifier comme anormale. La valeur par défaut est [ALL] (Toutes). Vous pouvez choisir parmi les options suivantes :
+ Réglez ce paramètre sur **Plus élevé que prévu** pour identifier les valeurs plus élevées comme des anomalies.
+ Réglez ce paramètre sur **Plus bas que prévu** pour identifier les valeurs inférieures comme des anomalies.
+ Réglez sur **[TOUT]** pour identifier toutes les valeurs anormales, qu’elles soient élevées ou faibles.
+ **Delta minimum – valeur absolue** – Saisissez une valeur personnalisée à utiliser comme seuil absolu pour identifier les anomalies. Tout montant supérieur à cette valeur est considéré comme une anomalie.
+ **Delta minimum – pourcentage** – Saisissez une valeur personnalisée à utiliser comme seuil de pourcentage pour identifier les anomalies. Tout montant supérieur à cette valeur est considéré comme une anomalie.
+ **Trier par** – Choisissez la méthode que vous voulez appliquer pour trier les anomalies. Sur l’écran, les méthodes sont répertoriées par ordre de préférence. Consultez la liste suivante pour obtenir une description de chaque méthode.
+ **Score d’anomalie pondéré** – Score d’anomalie multiplié par le logarithme de la valeur absolue de la différence entre la valeur réelle et la valeur attendue. Il s’agit toujours d’un nombre positif.
+ **Score d’anomalie** – Score d’anomalie réel attribué à ce point de données.
+ **Différence pondérée par rapport à la valeur attendue** – (Valeur par défaut) Score d’anomalie multiplié par la différence entre la valeur réelle et la valeur attendue.
+ **Différence par rapport à la valeur attendue** – Différence réelle entre la valeur réelle et la valeur attendue (réelle-attendue).
+ **Valeur réelle** – Valeur réelle sans aucune formule appliquée.
+ **Catégories** – Un ou plusieurs paramètres peuvent apparaître à la fin des autres paramètres. Il y en a un pour chaque champ de catégorie que vous avez ajouté au sélecteur de champs. Vous pouvez utiliser les paramètres de catégorie pour limiter les données qui s’affichent à l’écran.
# Affichage et masquage des anomalies par date
Le graphique **Nombre d’anomalies** affiche les valeurs aberrantes détectées au fil du temps. Si vous ne voyez pas ce graphique, vous pouvez l’afficher en sélectionnant **AFFICHER LES ANOMALIES PAR DATE**.
Ce graphique montre les anomalies (valeurs aberrantes) pour le point de données le plus récent de la série temporelles. Lorsqu’il est développé, il affiche les éléments suivants :
+ **Anomalies** – Le centre de l’écran présente les anomalies pour le dernier point de données des séries chronologiques. Un ou plusieurs graphiques apparaissent avec les variations d’une métrique au fil du temps. Pour les utiliser, sélectionnez un point sur la ligne de temps. Le point dans le temps actuellement sélectionné est mis en évidence dans le graphique et comprend un menu vous offrant la possibilité d’analyser les contributions à la métrique actuelle. Vous pouvez également faire glisser le curseur sur la ligne de temps sans choisir un point spécifique pour afficher la valeur de la métrique pour cet instant donné.
+ **Anomalies par date** – Si vous choisissez **AFFICHER LES ANOMALIES PAR DATE**, un autre graphique illustre le nombre d’anomalies significatives pour chaque point temporel. Vous pouvez voir les détails de ce graphique dans le menu contextuel de chaque barre.
+ **Ajustement de la chronologie** – Chaque graphique dispose d’un outil d’ajustement de la chronologie sous les dates, que vous pouvez utiliser pour condenser, développer ou choisir une période de temps à afficher.
# Exploration des anomalies par catégorie ou dimension
La section principale de l’écran **Explorer les anomalies** est verrouillée dans la partie inférieure droite de l’écran. Elle reste à cet endroit, quel que soit le nombre d’autres sections de l’écran ouvertes. S’il existe plusieurs anomalies, vous pouvez les faire défiler pour les mettre en évidence. Le graphique affiche les anomalies dans des gammes de couleurs et montre où elles se produisent sur une période donnée.
![\[Écran d’exploration des anomalies.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/anomaly-exploration-1.png)
Chaque catégorie ou dimension dispose d’un graphique distinct qui utilise le nom du champ comme titre du graphique. Chaque graphique contient les éléments suivants :
+ **Configurer les alertes** – Si vous explorez les anomalies à partir d’un tableau de bord, sélectionnez ce bouton pour vous abonner aux alertes et à l’analyse de contribution (si elle est configurée). Vous pouvez configurer les alertes pour le niveau de gravité (moyen, élevé, etc.). Vous pouvez recevoir les 5 premières alertes pour **Higher than expected (Plus haute que prévu)**, **Lower than expected (Plus basse que prévu)** ou ALL (TOUTES). Les lecteurs de tableaux de bord peuvent configurer des alertes pour eux-mêmes. Si vous ouvrez la page **Explorer les anomalies**, ce bouton ne s’affiche pas si vous avez ouvert la page à partir d’une analyse.
**Note**
La possibilité de configurer les alertes n’est disponible que dans les tableaux de bord publiés.
+ **Statut** – Sous l’en-tête **Anomalies**, l’étiquette de statut affiche des informations sur la dernière exécution. Par exemple, vous pouvez voir « Anomalies pour le revenu du 17 novembre 2018 ». Cette étiquette vous indique le nombre de métriques traitées et à quel moment. Vous pouvez choisir le lien pour en savoir plus sur les détails, comme le nombre de métriques ignorées.