As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Detecção de anomalias baseada em ML para discrepâncias
<a name="anomaly-detection-function"></a>

A computação de detecção de anomalias desenvolvida por ML pesquisa anomalias em seus dados. Por exemplo, é possível detectar as três principais discrepâncias do total de vendas de 3 de janeiro de 2019. Se você habilitar a análise de contribuição, também poderá detectar os principais direcionadores de cada discrepância. 

Para usar essa função, você precisa de pelo menos uma dimensão no campo **Time (Tempo)**, pelo menos uma medida no campo **Values (Valores)** e pelo menos uma dimensão no campo **Categories (Categorias)**. A tela de configuração fornece uma opção para analisar a contribuição de outros campos como direcionadores principais, mesmo que esses campos não estejam nas fontes de campos.

Para obter mais informações, consulte [Detectar discrepâncias com a detecção de anomalias baseada em ML](anomaly-detection.md).

**nota**  
Não é possível adicionar a detecção de anomalias desenvolvida com ML a outra computação, e não é possível adicionar outra computação a uma detecção de anomalias.

## Saídas das computações
<a name="anomaly-detection-computation-outputs"></a>

Cada função gera um conjunto de parâmetros de saída. Você pode adicionar essas saídas às narrativas automáticas para personalizar a exibição. Você também pode adicionar seu próprio texto personalizado. 

Para localizar os parâmetros de saída, abra a guia **Computations (Computações)** à direita, e localize a computação que você deseja usar. Os nomes das computações derivam do nome que você fornece ao criar o insight. Escolha o parâmetro de saída clicando nele apenas uma vez. Se você clicar duas vezes, a mesma saída será adicionada duas vezes. Você pode usar itens exibidos em **`bold monospace font`** depois da narrativa. 
+ `timeField`: da fonte do campo **Hora**.
  + `name`: o nome de exibição formatado do campo.
  + `timeGranularity`: a granularidade do campo de hora (**DIA**, **ANO** e assim por diante).
+ `categoryFields`: da fonte do campo **Categorias**.
  + `name`: o nome de exibição formatado do campo.
+ `metricField`: da fonte do campo **Valores**.
  + `name`: o nome de exibição formatado do campo.
  + `aggregationFunction`: a agregação usada para a métrica (**SUM**, **AVG** e assim por diante).
+ `itemsCount`: o número de itens incluídos na computação.
+ `items`: itens anômalos.
  + `timeValue`: os valores na dimensão de data.
    + `value`: o campo de data e hora no momento da anomalia (discrepância).
    + `formattedValue`— O valor formatado no date/time campo no ponto da anomalia.
  + `categoryName`: o nome real da categoria (cat1, cat2 e assim por diante).
  + `direction`: a direção no eixo x ou no eixo y que é identificada como anômala, `HIGH` ou `LOW`. `HIGH` significa “maior do que o esperado”. `LOW` significa “menor do que o esperado”. 

    Ao iterar em itens, `AnomalyDetection.items[index].direction` pode conter `HIGH` ou `LOW`. Por exemplo, `AnomalyDetection.items[index].direction='HIGH'` ou `AnomalyDetection.items[index].direction=LOW`. `AnomalyDetection.direction` pode ter uma string vazia para `ALL`. Um exemplo é `AnomalyDetection.direction=''`. 
  + `actualValue`: o valor real da métrica no momento da anomalia ou discrepância.
    + `value`: o valor bruto.
    + `formattedValue`: o valor formatado pelo campo da métrica.
    + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.
  + `expectedValue`: o valor esperado da métrica no momento da anomalia (discrepância).
    + `value`: o valor bruto.
    + `formattedValue`: o valor formatado pelo campo da métrica.
    + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.