获取影响因素 API
编辑获取影响因素 API编辑
检索一个或多个影响因素的异常检测作业结果。
请求编辑
GET _ml/anomaly_detectors/<job_id>/results/influencers
先决条件编辑
需要 monitor_ml 集群权限。此权限包含在 machine_learning_user 内置角色中。`
描述编辑
影响因素是导致异常或对异常负有责任的实体。影响因素结果仅在作业配置中指定了 influencer_field_name 时才可用。
路径参数编辑
-
<job_id> - (必需，字符串) 异常检测作业的标识符。
查询参数编辑
-
desc - (可选，布尔值) 如果为 true，则结果按降序排序。
-
end - (可选，字符串) 返回时间戳早于此时间的的影响因素。默认为
-1，这意味着它未设置，结果不受特定时间戳的限制。 -
exclude_interim - (可选，布尔值) 如果为
true，则输出将排除中间结果。默认为false，这意味着包含中间结果。 -
from - (可选，整数) 跳过指定数量的影响因素。默认为
0。 -
influencer_score - (可选，双精度) 返回异常评分大于或等于此值的的影响因素。默认为
0.0。 -
size - (可选，整数) 指定要获取的影响因素的最大数量。默认为
100。 -
sort - (可选，字符串) 指定请求的影响因素的排序字段。默认情况下，影响因素按
influencer_score值排序。 -
start - (可选，字符串) 返回时间戳晚于此时间的的影响因素。默认为
-1，这意味着它未设置，结果不受特定时间戳的限制。
请求正文编辑
您也可以在请求正文中指定查询参数；例外情况是 from 和 size，请使用 page 代替
-
page -
page的属性-
from - (可选，整数) 跳过指定数量的影响因素。默认为
0。 -
size - (可选，整数) 指定要获取的影响因素的最大数量。默认为
100。
-
响应正文编辑
API 返回影响因素对象的数组，这些对象具有以下属性
-
bucket_span - (数字) 桶的长度（以秒为单位）。此值与作业中指定的
bucket_span相匹配。 -
influencer_score - (数字) 0-100 之间的归一化评分，基于跨检测器聚合的桶中影响因素的概率。与
initial_influencer_score不同，此值将通过重新归一化过程在分析新数据时更新。 -
influencer_field_name - (字符串) 影响因素的字段名称。
-
influencer_field_value - (字符串) 影响、导致或对异常负有责任的实体。
-
initial_influencer_score - (数字) 0-100 之间的归一化评分，基于跨检测器聚合的影响因素的概率。这是在处理桶时计算的初始值。
-
is_interim - (布尔值) 如果为
true，则这是一个中间结果。换句话说，结果是根据部分输入数据计算的。 -
job_id - (字符串) 异常检测作业的标识符。
-
probability - (数字) 影响因素具有此行为的概率，范围为 0 到 1。例如，0.0000109783。此值可以保留到超过 300 位小数的精度，因此提供
influencer_score作为此值的易于理解和友好的解释。 -
result_type - (字符串) 内部。此值始终设置为
influencer。 -
timestamp - (日期) 计算这些结果的桶的开始时间。
根据正在分析的字段添加其他影响因素属性。例如，如果它正在分析 user_name 作为影响因素，则将字段 user_name 添加到结果文档中。此信息使您能够更轻松地过滤异常结果。
示例编辑
response = client.ml.get_influencers(
job_id: 'high_sum_total_sales',
body: {
sort: 'influencer_score',
desc: true
}
)
puts response
GET _ml/anomaly_detectors/high_sum_total_sales/results/influencers
{
"sort": "influencer_score",
"desc": true
}
在此示例中，API 返回以下信息，按影响因素评分降序排序
{
"count": 189,
"influencers": [
{
"job_id": "high_sum_total_sales",
"result_type": "influencer",
"influencer_field_name": "customer_full_name.keyword",
"influencer_field_value": "Wagdi Shaw",
"customer_full_name.keyword" : "Wagdi Shaw",
"influencer_score": 99.02493,
"initial_influencer_score" : 94.67233079580171,
"probability" : 1.4784807245686567E-10,
"bucket_span" : 3600,
"is_interim" : false,
"timestamp" : 1574661600000
},
...
]
}