Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Rilevamento di outlier con il rilevamento delle anomalie con il machine learning
Amazon Quick Sight utilizza la comprovata tecnologia Amazon per eseguire continuamente il rilevamento delle anomalie basato su ML su milioni di parametri per scoprire tendenze nascoste e valori anomali nei dati. Questo strumento ti permette di ottenere informazioni approfondite che sono spesso nascoste nelle aggregazioni e non dimensionabili con l'analisi manuale. Con il rilevamento delle anomalie con tecnologia Machine Learning, è possibile trovare outlier nei dati senza la necessità di analisi manuale, sviluppo personalizzato o esperienza in Machine Learning.
Amazon Quick Sight ti avvisa nelle immagini se rileva che puoi analizzare un'anomalia o fare previsioni sui tuoi dati.
Il rilevamento delle anomalie non è disponibile nella regione `eu-central-2` Europa (Zurigo).
**Importante**
Il rilevamento delle anomalie con tecnologia Machine Learning è un'attività a uso intensivo di risorse di calcolo. Prima di iniziare a usarlo, puoi farti un'idea dei costi analizzando la quantità di dati che desideri usare. Offriamo un modello di prezzi a livelli basato sul numero di parametri che elabori ogni mese.
**Topics**
+ [Concetti per il rilevamento di anomalie o outlier](anomaly-detection-outliers-and-key-drivers.md)
+ [Impostazione del rilevamento delle anomalie con il machine learning per l'analisi degli outlier](anomaly-detection-using.md)
+ [Esplora i valori anomali e i fattori chiave con il rilevamento delle anomalie e l'analisi dei contributi basati su ML](anomaly-exploring.md)
# Concetti per il rilevamento di anomalie o outlier
Amazon Quick Sight usa il termine *anomalia* per descrivere punti dati che non rientrano in un modello di distribuzione generale. Ci sono molte altre parole per le anomalie, che è un termine scientifico, tra cui outlier, deviazioni, stranezze, eccezioni, irregolarità, bizzarrie e molti altri. Il termine utilizzato potrebbe essere basato sul tipo di analisi eseguita o sul tipo di dati utilizzati o anche solo sulla preferenza del gruppo. Questi punti dati periferici rappresentano un'entità, una persona, un luogo, una cosa o un tempo, che è in qualche modo eccezionale.
Gli esseri umani riconoscono facilmente gli schemi e notano cose che non sono come le altre. I nostri sensi ci forniscono queste informazioni. Se il modello è semplice e ci sono solo pochi dati, puoi facilmente creare un grafico per evidenziare gli outlier nei dati. Alcuni semplici esempi includono quanto segue:
+ Un palloncino rosso in un gruppo di palloncini blu
+ Un cavallo da corsa che è molto più avanti rispetto agli altri
+ Un bambino che è distratto durante la lezione
+ Un giorno in cui gli ordini online sono in aumento, ma le spedizioni sono in calo
+ Una persona che si è rimessa, mentre altre no
Alcuni punti dati rappresentano un evento significativo e altri rappresentano un'occorrenza casuale. L'analisi scopre su quali dati vale la pena indagare, in base a quali fattori determinanti (fattori chiave) hanno contribuito all'evento. Le domande sono fondamentali per l'analisi dei dati. Perché è accaduto? A cosa si riferisce? È accaduto una sola volta o più volte? Cosa puoi fare per incoraggiare o scoraggiare questi tipo di situazioni?
Capire come e perché esiste una variazione, e se c'è un modello nelle variazioni, richiede più riflessione. Senza l'assistenza del machine learning, ognuno potrebbe giungere a una conclusione diversa, perché ha esperienza e informazioni diverse. Pertanto, ognuno potrebbe prendere una decisione aziendale leggermente diversa. Se ci sono molti dati o variabili da considerare, ciò può richiedere una enorme quantità di analisi.
Il rilevamento delle anomalie con tecnologia Machine Learning identifica le cause e le correlazioni per consentire di prendere decisioni basate sui dati. Hai ancora il controllo sulla definizione del modo in cui vuoi che l'attività operi sui dati. È possibile specificare i propri parametri e scegliere opzioni aggiuntive, ad esempio l'identificazione dei fattori chiave in un'analisi dei fattori determinanti. Oppure è possibile utilizzare le impostazioni predefinite per entrambi. La sezione seguente illustra il processo di configurazione e fornisce spiegazioni per le opzioni disponibili.
# Impostazione del rilevamento delle anomalie con il machine learning per l'analisi degli outlier
Utilizza le procedure descritte nelle sezioni seguenti per iniziare a rilevare outlier e anomalie e identificare i fattori chiave che contribuiscono.
**Topics**
+ [Visualizzazione delle notifiche di anomalie e previsioni](anomaly-detection-adding-from-visuals.md)
+ [Aggiunta di un'analisi ML per rilevare valori anomali e fattori chiave](anomaly-detection-adding-anomaly-insights.md)
+ [Utilizzo dell'analisi dei contributi per i fattori chiave](anomaly-detection-adding-key-drivers.md)
# Visualizzazione delle notifiche di anomalie e previsioni
Amazon Quick Sight ti avvisa con una visuale in cui rileva un'anomalia, fattori chiave o un'opportunità di previsione. Puoi seguire i prompt per configurare il rilevamento o la previsione delle anomalie in base ai dati presenti in quell'elemento visivo.
1. In un grafico a linee esistente, cerca una notifica di approfondimento nel menu del widget visivo.
1. Scegli l'icona a forma di lampadina per visualizzare la notifica.
1. Se desideri maggiori informazioni sull'approfondimento ML, puoi seguire le istruzioni sullo schermo per aggiungere un approfondimento ML.
# Aggiunta di un'analisi ML per rilevare valori anomali e fattori chiave
Puoi aggiungere un approfondimento di machine learning che rileva le *anomalie*, che sono valori anomali che sembrano significativi. Per iniziare, crei un widget per il tuo approfondimento, noto anche come *narrazione automatica*. Durante la configurazione delle opzioni, puoi visualizzare uno screenshot limitato delle tue informazioni nel riquadro di **anteprima** nella schermata destra.
Nel widget di approfondimenti, è possibile aggiungere fino a cinque campi dimensionali che non sono campi calcolati. Nei pozzetti dei campi, i valori per **le categorie** rappresentano i valori dimensionali utilizzati da Amazon Quick Sight per suddividere la metrica. Ad esempio, supponiamo che tu stia analizzando le entrate di tutte le categorie di prodotti e prodotti. SKUs Esistono 10 categorie di prodotti, ciascuna con 10 prodotti SKUs. Amazon Quick Sight divide la metrica per 100 combinazioni uniche ed esegue il rilevamento delle anomalie su ciascuna combinazione per la suddivisione.
La procedura seguente mostra come eseguire questa operazione e come aggiungere l'analisi dei contributi per rilevare i fattori chiave che causano ciascuna anomalia. È possibile aggiungere l'analisi dei contributi in un secondo momento, come descritto in [Utilizzo dell'analisi dei contributi per i fattori chiave](anomaly-detection-adding-key-drivers.md).
**Configurazione dell'analisi degli outlier, inclusi i fattori chiave**
1. Aprire l'analisi e, nella barra degli strumenti, scegli **Informazioni dettagliate**, quindi **Aggiungi**. Nell'elenco scegli **Rilevamento anomalie**, quindi **Seleziona**.
1. Seguire le istruzioni a video sul nuovo widget, che indica di scegliere i campi per l'analisi. Aggiungere almeno una data, una misura e una dimensione.
1. Scegli **Get started (Inizia)** sul widget. Viene visualizzata la schermata di configurazione.
1. In **Opzioni di calcolo**, scegli i valori per le seguenti opzioni.
1. Per **Combinazioni da analizzare**, scegli una delle seguenti opzioni:
1. **Gerarchico**
Seleziona questa opzione se desideri analizzare i campi gerarchicamente. Ad esempio, se scegli una data (T), una misura (N) e tre categorie dimensionali (C1, C2 e C3), Quick Sight analizza i campi gerarchicamente, come illustrato di seguito.
```
T-N, T-C1-N, T-C1-C2-N, T-C1-C2-C3-N
```
1. **Esatto**
Scegli questa opzione se desideri analizzare bene solo la combinazione esatta di campi nel campo Categoria, così come sono elencati. Ad esempio, se hai scelto una data (T), una misura (N) e tre categorie dimensionali (C1, C2 e C3), Quick Sight analizza solo l'esatta combinazione di campi di categoria nell'ordine in cui sono elencati, come illustrato di seguito.
```
T-C1-C2-C3-N
```
1. **All** (Tutti)
Scegli questa opzione se desideri analizzare bene solo la combinazione esatta di campi nel campo Categoria, così come sono elencati. Ad esempio, se hai scelto una data (T), una misura (N) e tre categorie di dimensioni (C1, C2 e C3), Quick Sight analizza tutte le combinazioni di campi, come illustrato di seguito.
```
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
```
Se hai scelto solo una data e una misura, Quick Sight analizza i campi per data e poi per misura.
Nella sezione **Campi per l'analisi** è possibile visualizzare un elenco di campi dai contenitori di campi, a scopo di riferimento.
1. Per **Nome**, inserisci un nome alfanumerico descrittivo senza spazi o scegli il valore predefinito. Fornisce un nome per il calcolo.
Se si prevede di modificare la descrizione che viene visualizzata automaticamente nel widget, è possibile utilizzare il nome per identificare il calcolo di questo widget. Personalizza il nome se pianifichi di modificare la narrazione automatica e se ci sono altri calcoli simili nell'analisi.
1. Nella sezione **Opzioni di visualizzazione**, scegli le seguenti opzioni per personalizzare ciò che viene visualizzato nel tuo widget di approfondimenti. Puoi comunque esplorare tutti i risultati, indipendentemente da ciò che visualizzi.
1. **Numero massimo di anomalie da mostrare**: il numero di valori anomali che desideri visualizzare nel widget di narrazioni.
1. **Gravità**: il livello minimo di gravità per le anomalie che desideri visualizzare nel widget di approfondimento.
Un *livello di gravità* è un intervallo di punteggi di anomalia caratterizzato dal punteggio di anomalia effettivo più basso incluso nell'intervallo. Tutte le anomalie con punteggio più alto sono incluse nell'intervallo. Se si imposta il livello di gravità su **Basso**, l'approfondimento visualizza tutte le anomalie che si classificano tra Basso e Molto alto. Se si imposta il livello di gravità su **Very high (Molto alto)**, le informazioni dettagliate visualizzano solo le anomalie con i punteggi di anomalia più alti.
Puoi utilizzare le seguenti opzioni:
+ **Molto alto**
+ **Alto e superiore**
+ **Medio e superiore**
+ **Basso e superiore**
1. **Direzione**: la direzione sull'asse x o sull'asse y che si desidera identificare come anomala. È possibile scegliere tra le seguenti opzioni:
+ **Maggiore del previsto**: per identificare i valori più alti come anomalie.
+ **Minore del previsto**: per identificare i valori più bassi come anomalie.
+ **[TUTTI]** per identificare tutti i valori anomali, alti e bassi (impostazione predefinita).
1. **Delta**: immetti un valore personalizzato da utilizzare per identificare le anomalie. Qualsiasi quantità superiore al valore di soglia è considerata un'anomalia. I valori inseriti qui cambiano il modo in cui l'analisi opera. In questa sezione è possibile impostare quanto segue:
+ **Valore assoluto**: il valore effettivo da utilizzare. Ad esempio, supponiamo che sia 48. Amazon Quick Sight identifica quindi i valori come anomali quando la differenza tra un valore e il valore previsto è maggiore di 48.
+ **Percentuale**: la soglia della percentuale da utilizzare. Ad esempio, supponiamo che sia 12,5%. Amazon Quick Sight identifica quindi i valori come anomali quando la differenza tra un valore e il valore previsto è superiore al 12,5%.
1. **Ordina per**: scegli un metodo di ordinamento per i risultati. Alcuni metodi si basano sul punteggio di anomalia generato da Amazon Quick Sight. Amazon Quick Sight assegna punteggi più alti ai punti dati che sembrano anomali. È possibile utilizzare una qualsiasi delle seguenti opzioni:
+ **Punteggio ponderato delle anomalie**: il punteggio delle anomalie moltiplicato per il log del valore assoluto della differenza tra il valore effettivo e quello previsto. Questo punteggio è sempre un numero positivo.
+ **Punteggio delle anomalie**: il punteggio delle anomalie effettivo assegnato al punto dati in questione.
+ **Differenza ponderata dal valore previsto** (impostazione predefinita): il punteggio delle anomalie moltiplicato per la differenza tra il valore effettivo e il valore previsto.
+ **Differenza dal valore previsto**: la differenza effettiva tra il valore effettivo e quello previsto (ovvero, effettivo-previsto).
+ **Valore effettivo**: il valore effettivo senza l'applicazione di formule.
1. Nella sezione **Opzioni di pianificazione** imposta la pianificazione per l'esecuzione automatica del ricalcolo dell'approfondimento. La pianificazione viene eseguita solo per i pannelli di controllo pubblicati. Nell'analisi, è possibile eseguirlo manualmente secondo necessità. La pianificazione include le seguenti impostazioni:
+ **Occorrenza**: imposta la frequenza con cui si desidera che venga eseguito il ricalcolo: ogni ora, ogni giorno, ogni settimana o ogni mese.
+ **Inizia la pianificazione il**: imposta la data e l'ora di inizio dell'esecuzione della pianificazione.
+ **Fuso orario**: il fuso orario in cui viene eseguita la pianificazione. Per visualizzare un elenco, eliminare la voce corrente.
1. Nella sezione **Collaboratori principali**, imposta Amazon Quick Sight per analizzare i fattori chiave quando viene rilevato un outlier (anomalia).
Ad esempio, Amazon Quick Sight può mostrare i principali clienti che hanno contribuito a un aumento delle vendite negli Stati Uniti di prodotti per la casa. Puoi aggiungere un massimo di quattro dimensioni dal tuo set di dati. Queste includono dimensioni che non hai aggiunto ai contenitori di campi di questo widget di approfondimento.
Per un elenco di dimensioni disponibili per l'analisi dei fattori determinanti, scegli **Seleziona campi**.
1. Quindi scegli **Conferma** per salvare le modifiche. Scegliere **Cancel (Annulla)** per uscire senza salvare.
1. Dal widget di approfondimento, scegli **Esegui ora** per eseguire il rilevamento delle anomalie e visualizza l'approfondimento.
Il tempo necessario per completare il rilevamento delle anomalie varia a seconda di quanti punti dati univoci vengono analizzati. Il processo può richiedere alcuni minuti per un numero minimo di punti oppure anche molte ore.
Mentre il processo è in esecuzione in background, è possibile eseguire altre attività nell'analisi. Tuttavia, è necessario attendere il completamento prima di modificare la configurazione, modificare la descrizione o aprire la pagina **Esplora anomalie** per questo approfondimento.
Il widget di approfondimento deve essere eseguito almeno una volta prima di poter visualizzare i risultati. Se si ritiene che lo stato non sia aggiornato, è possibile aggiornare la pagina. L'approfondimento può avere i seguenti stati.
| Appare nella pagina | Status |
| --- | --- |
| PulsanteRun now (Esegui ora) | L'attività non è ancora iniziata. |
| Messaggio relativo a Analyzing for anomalies (Analisi delle anomalie) | L'attività è attualmente in esecuzione. |
| Descrizione delle anomalie rilevate (outlier) | L'attività è stata eseguita correttamente. Il messaggio indica quando il calcolo di questo widget è stato aggiornato per l'ultima volta. |
| Icona di avviso con un punto esclamativo (\$1) | Questa icona indica che si è verificato un errore durante l'ultima esecuzione. Se viene visualizzata anche la descrizione, è comunque possibile utilizzare Explore anomalies (Esplora anomalie) per utilizzare i dati dell'esecuzione precedente corretta. |
# Utilizzo dell'analisi dei contributi per i fattori chiave
Amazon Quick Sight è in grado di identificare le dimensioni (categorie) che contribuiscono a creare valori anomali nelle misure (metriche) tra due momenti nel tempo. Il fattore chiave che contribuisce a creare un outlier ti aiuta a rispondere alla domanda: cosa è successo che ha causato questa anomalia?
Se stai già utilizzando il rilevamento delle anomalie senza l'analisi dei contributi, puoi abilitare l'analisi ML esistente per trovare i fattori chiave. Segui questa procedura per aggiungere analisi dei contributi e identificare i fattori chiave alla base dei valori anomali. Le tue informazioni per il rilevamento delle anomalie devono includere un campo temporale e almeno un parametro aggregato (SUM, AVERAGE o COUNT). Se lo desideri, puoi includere più categorie (campi di dimensione), ma puoi anche eseguire l'analisi dei contributi senza specificare alcuna categoria o campo di dimensione.
È inoltre possibile utilizzare questa procedura per modificare o rimuovere i campi come fattori chiave nel rilevamento delle anomalie.
**Aggiunta dell'analisi dei contributi per identificare i fattori chiave**
1. Apri la tua analisi e individua un approfondimento di machine learning esistente per il rilevamento delle anomalie. Seleziona il widget di approfondimento per evidenziarlo.
1. Scegli **Opzioni di menu** (**...**) dal menu dell'elemento visivo.
1. Scegli **Configura anomalia** per modificare le impostazioni.
1. L'impostazione **Analisi dei contributi (opzionale)** consente ad Amazon Quick Sight di analizzare i driver chiave quando viene rilevato un valore anomalo (anomalia). Ad esempio, Amazon Quick Sight può mostrarti i principali clienti che hanno contribuito a un aumento delle vendite negli Stati Uniti di prodotti per la casa. È possibile aggiungere fino a quattro dimensioni dal set di dati, incluse le dimensioni che non sono state aggiunte ai contenitori di campi di questo widget di analisi.
Per visualizzare un elenco di dimensioni disponibili per l'analisi dei fattori determinanti, scegliete **Select fields (Seleziona campi)**.
Se desideri modificare i campi che utilizzi come fattori chiave, modifica i campi abilitati in questo elenco. Se li disabiliti tutti, Quick Sight non eseguirà alcuna analisi del contributo in base a questa analisi.
1. Per salvare le modifiche, scorri fino alla parte inferiore delle opzioni di configurazione e seleziona **Salva**. Scegliere **Annulla** per uscire senza salvare. Per rimuovere completamente queste impostazioni, scegli **Elimina**.
# Esplora i valori anomali e i fattori chiave con il rilevamento delle anomalie e l'analisi dei contributi basati su ML
È possibile esplorare in modo interattivo le anomalie (note anche come outlier) nell'analisi, insieme ai fattori determinanti (fattori chiave). L'esplorazione dell'analisi è disponibile dopo l'esecuzione del rilevamento delle anomalie basato su ML. Le modifiche apportate in questa schermata non vengono salvate quando si torna all'analisi.
Per iniziare, scegli **Esplora anomalie** nell'approfondimento. La schermata seguente mostra la schermata delle anomalie come appare la prima volta che la apri. In questo esempio, l'analisi dei contributi è impostata e mostra due fattori chiave.
![\[Viene mostrata l'analisi delle anomalie con i contributori.\]](http://docs.aws.amazon.com/it_it/quick/latest/userguide/images/anomaly-exploration-v2.png)
Le sezioni dello schermo includono le seguenti, dall'alto a sinistra verso il basso a destra:
+ **Contributori** mostra i fattori chiave. Per visualizzare questa sezione, è necessario che i contributori siano configurati nella configurazione delle anomalie.
+ **Controlli** contiene le impostazioni per l'esplorazione delle anomalie.
+ **Numero di anomalie** mostra i valori anomali rilevati nel tempo. Puoi nascondere o mostrare questa sezione del grafico.
+ **I nomi dei tuoi campi** di categoria o dimensione fungono da titoli per i grafici che mostrano le anomalie per ogni categoria o dimensione.
Le sezioni seguenti forniscono informazioni dettagliate su ogni aspetto dell'esplorazione delle anomalie.
**Topics**
+ [Esplorazione dei contributori (fattori chiave)](exploring-anomalies-key-drivers.md)
+ [Impostazione dei controlli per il rilevamento delle anomalie](exploring-anomalies-controls.md)
+ [Mostrare e nascondere le anomalie per data](exploring-anomalies-by-date.md)
+ [Esplorazione delle anomalie per categoria o dimensione](exploring-anomalies-per-category-or-dimension.md)
# Esplorazione dei contributori (fattori chiave)
Se l'analisi delle anomalie è configurata per rilevare i fattori chiave, Quick Sight esegue l'analisi dei contributi per determinare quali categorie (dimensioni) stanno influenzando i valori anomali. La sezione **Controbutori** viene visualizzata sulla sinistra.
**Contributori** contiene le sezioni seguenti:
+ **Narrazione**: in alto a sinistra, un riepilogo descrive eventuali modifiche ai parametri.
+ **Configurazione fattori determinanti principali**: scegli **Configura** per modificare i fattori determinanti e l'intervallo di date da usare in questa sezione.
+ **Ordina per**: imposta l'ordine applicato ai risultati elencati di seguito. È possibile scegliere tra le seguenti opzioni:
+ **Absolute difference (Differenza assoluta)**
+ **Contribution percentage (Percentuale fattori determinanti)** (impostazione predefinita)
+ **Deviation from expected (Deviazione dal previsto)**
+ **Percentage difference (Differenza in percentuale)**
+ **Risultati fattori determinanti principali**: visualizza i risultati dell'analisi dei fattori determinanti principali per il punto temporale selezionato nella sequenza temporale a destra.
L'analisi dei fattori determinanti individua fino a quattro tra i fattori determinanti principali o fattori chiave di un'anomalia. Ad esempio, Amazon Quick Sight può mostrarti i principali clienti che hanno contribuito a un aumento delle vendite di prodotti sanitari negli Stati Uniti. Questo pannello viene visualizzato solo se sono stati scelti i campi da includere nell'analisi dei fattori determinanti quando è stata configurata l'anomalia.
Se non vedi questo pannello e desideri visualizzarlo, puoi abilitarlo. A tale scopo, tornare all'analisi, scegliere la configurazione delle anomalie dal menu dell'analisi e scegliere fino a quattro campi da analizzare per i fattori determinanti. Tieni presente che se si apportano modifiche ai controlli fogli che escludono i fattori determinanti, il pannello **Fattori di contribuzione** si chiude.
# Impostazione dei controlli per il rilevamento delle anomalie
Puoi trovare le impostazioni per il rilevamento delle anomalie nella sezione **Controlli** della schermata. È possibile aprire e chiudere questa sezione facendo clic sulla parola **Controlli**.
Le impostazioni includono quanto segue:
+ **Controlli**: le impostazioni correnti vengono visualizzate nella parte superiore dell'area di lavoro. Puoi espandere questa sezione scegliendo l'icona a doppia freccia sulla destra. Le seguenti impostazioni sono disponibili per esplorare gli outlier generati dal rilevamento delle anomalie con tecnologia Machine Learning:
+ **Gravità**: imposta il livello di sensibilità dello strumento di rilevamento nel rilevare le anomalie (outlier). Verranno restituite più anomalie con la soglia impostata su **Bassa e al di sopra** e meno anomalie con la soglia impostata su **Alta e al di sopra**. Questa sensibilità viene determinata in base alle deviazioni standard del punteggio di anomalia generato dall'algoritmo RCF. L'impostazione predefinita è **Media e superiore**.
+ **Direzione**: la direzione sull'asse x o sull'asse y che si desidera identificare come anomala. Il valore di default è [TUTTI]. Puoi scegliere le seguenti opzioni:
+ Imposta su **Maggiore del previsto** per identificare i valori più alti come anomalie.
+ Imposta su **Minore del previsto** per identificare i valori più bassi come anomalie.
+ Imposta su **[TUTTI]** per identificare tutti i valori anomali, alti e bassi.
+ **Delta minimo - valore assoluto**: immettere un valore personalizzato da utilizzare come soglia assoluta per identificare le anomalie. Qualsiasi quantità maggiore di questo valore conta come anomalia.
+ **Delta minimo - percentuale**: immetti un valore personalizzato da utilizzare come soglia di percentuale per identificare le anomalie. Qualsiasi quantità maggiore di questo valore conta come anomalia.
+ **Ordina per**: scegli il metodo da applicare all'ordinamento delle anomalie. Nello schermo, sono elencati nell'ordine preferito. Visualizza l'elenco seguente per una descrizione di ciascun metodo.
+ **Punteggio ponderato delle anomalie**: il punteggio delle anomalie moltiplicato per il log del valore assoluto della differenza tra il valore effettivo e quello previsto. Questo punteggio è sempre un numero positivo.
+ **Punteggio delle anomalie**: il punteggio delle anomalie effettivo assegnato al punto dati in questione.
+ **Differenza ponderata dal valore previsto** (impostazione predefinita): il punteggio delle anomalie moltiplicato per la differenza tra il valore effettivo e il valore previsto.
+ **Differenza dal valore previsto**: la differenza effettiva tra il valore effettivo e quello previsto (effettivo-previsto).
+ **Valore effettivo**: il valore effettivo senza l'applicazione di formule.
+ **Categorie**: una o più impostazioni possono essere visualizzate alla fine delle altre impostazioni. Ce n'è una per ogni campo della categoria che hai aggiunto al contenitore di campi della categoria. È possibile utilizzare le impostazioni di categoria per limitare i dati visualizzati sullo schermo.
# Mostrare e nascondere le anomalie per data
Il grafico **Numero di anomalie** mostra i valori anomali rilevati nel tempo. Se non vedi questo grafico, puoi visualizzarlo scegliendo **MOSTRA ANOMALIE PER DATA**.
Questo grafico mostra le anomalie (outlier) per i dati più recenti della serie temporale. Una volta espanso, visualizza i seguenti componenti:
+ **Anomalie**: al centro della schermata vengono visualizzate le anomalie per il punto dati più recente nella serie temporale. Vengono visualizzati uno o più grafici, uno dei quali mostra le variazioni di un parametro nel tempo. Per usare questo grafico, seleziona un punto lungo la linea temporale. Il punto attualmente selezionato viene evidenziato nel grafico ed è associato a un menu contestuale che offre l'opzione per analizzare i fattori determinanti del parametro corrente. Puoi anche trascinare il cursore sulla linea temporale senza scegliere un punto specifico, in modo da visualizzare il valore del parametro per il punto temporale.
+ **Anomalie per data**: se scegli **MOSTRA ANOMALIE PER DATA**, viene visualizzato un altro grafico che indica quante anomalie significative sono state rilevate per ogni punto temporale. Puoi visualizzare i dettagli in questo grafico nel menu contestuale di ogni barra.
+ **Modifica sequenza temporale**: ogni grafico include uno strumento di modifica della sequenza temporale sotto le date, che puoi usare per comprimere, espandere o scegliere un periodo di tempo da visualizzare.
# Esplorazione delle anomalie per categoria o dimensione
La sezione principale della schermata **Esplora le anomalie** è bloccata nella parte inferiore destra dello schermo. Rimane qui indipendentemente dal numero di altre sezioni dello schermo aperte. Se esistono più anomalie, puoi scorrere verso il basso per evidenziarle. Il grafico mostra le anomalie nelle gamme di colori e mostra dove si verificano in un periodo di tempo.
![\[Esplora la schermata delle anomalie.\]](http://docs.aws.amazon.com/it_it/quick/latest/userguide/images/anomaly-exploration-1.png)
Ogni categoria o dimensione ha un grafico separato che utilizza il nome del campo come titolo del grafico. Ogni grafico contiene i seguenti componenti:
+ **Configura avvisi**: se stai esplorando le anomalie da un pannello di controllo, puoi utilizzare questo pulsante per effettuare la sottoscrizione agli avvisi e all'analisi dei fattori di contribuzione (se l'opzione è configurata). È possibile impostare gli avvisi per il livello di gravità (medio, alto e così via). Puoi ottenere i 5 avvisi principali per **Higher than expected (Più alto del previsto)**, **Lower than expected (Più basso del previsto)** o per ALL (TUTTI). Gli utenti reader possono configurare gli avvisi autonomamente. Se hai aperto la pagina **Esplora anomalie** da un'analisi, il pulsante non viene visualizzato.
**Nota**
La possibilità di configurare gli avvisi è disponibile solo nei pannelli di controllo pubblicati.
+ **Stato**: sotto l'intestazione **Anomalie**, l'etichetta dello stato visualizza informazioni sull'ultima esecuzione. Ad esempio, potresti vedere "Anomalie delle entrate al 17 novembre 2018". L'etichetta indica quanti parametri sono stati elaborati e quanto tempo fa. Puoi scegliere il link per ottenere ulteriori dettagli, ad esempio quanti parametri sono stati ignorati.