本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 了解 Amazon Quick Sight 使用的 ML 演算法
<a name="concept-of-ml-algorithms"></a>


|  | 
| --- |
| 您不需要任何機器學習技術經驗，即可在 Amazon Quick Sight 中使用 ML 功能。如果讀者想仔細了解此演算法的詳細資訊，本節探討此演算法的技術層面。使用其中功能不需要閱讀本資訊。 | 

Amazon Quick Sight 使用內建版本的隨機剪切森林 (RCF) 演算法。下列各節說明 Amazon Quick Sight 的意義及其使用方式。

首先，我們看一下其中涉及的一些術語：
+ 異常：以相同樣本中異於其他多數為特點來描繪的事物。也稱為極端值、例外、偏差等。
+ 資料點：資料集中的一個離散單元，或者簡單地說，即一個資料列。不過，如果您對不同的維度使用量值，則一個資料列可以有多個資料點。
+ 決策樹：將評估資料模式的演算法決策過程視覺化的方式。
+ 預測：會根據目前和過去行為來預測未來行為。
+ 模型：演算法或演算法所學習結果的數學表示法。
+ 季節性：時間序列資料中週期性發生的重複行為模式。
+ 時間序欄：一個欄位或資料欄中一組已排序的日期或時間資料。

**Topics**
+ [異常偵測與預測之間有何差異？](difference-between-anomaly-detection-and-forecasting.md)
+ [什麼是 RCF？](what-is-random-cut-forest.md)
+ [RCF 如何套用到異常偵測上](how-does-rcf-detect-anomalies.md)
+ [如何套用 RCF 來產生預測](how-does-rcf-generate-forecasts.md)
+ [機器學習和 RCF 的參考](learn-more-about-machine-learning-and-rcf.md)