本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 查看推理结果
<a name="reviewing-inference-results"></a>

## 检索推理结果
<a name="retrieving-inference-results"></a>

### 最新推理结果
<a name="get-latest-inference-results"></a>

运行以下命令以获取资产属性的最新推理结果。有关更多信息，请参阅[ get-asset-property-value](https://docs.aws.amazon.com/cli/latest/reference/iotsitewise/get-asset-property-value.html)《*AWS CLI 命令参考指南》*。

```
aws iotsitewise get-asset-property-value \
    —asset-id asset-id \
    —property-id result-property-id
```

### 推理结果历史记录
<a name="get-inference-results-history"></a>

运行以下命令以获取指定时间窗口的推理结果历史记录。有关更多信息，请参阅《*AWS CLI 命令参考指南》*中的 [ get-asset-property-value-hist](https://docs.aws.amazon.com/cli/latest/reference/iotsitewise/get-asset-property-value-history.html) ory。

```
aws iotsitewise get-asset-property-value-history \
    —asset-id asset-id \
    —property-id result-property-id \
    —start-date start-time \
    —end-date end-time
```

### 响应示例
<a name="example-response"></a>

**Example 推理结果的响应：**  

```
{
  "value": {
    "stringValue": "{\"timestamp\": \"2025-02-10T22:42:00.000000\", \"prediction\": 0, \"prediction_reason\": \"NO_ANOMALY_DETECTED\", \"diagnostics\": [{\"name\": \"asset-id\\\\property-id\", \"value\": 0.53528}]}"
  },
  "timestamp": {
    "timeInSeconds": 1739227320,
    "offsetInNanos": 0
  },
  "quality": "GOOD"
}
```

### 响应字段
<a name="response-fields"></a>
+ **value.stringVal** ue — 一个包含推理结果的 JSON 字符串，其中包含以下字段：
  + **timestamp** — 执行推理所依据的 TQV 的时间戳。
  + **预测**-预测结果（0 表示没有异常，1 表示检测到异常）。
  + **预测原因** — 预测的原因（`NO_ANOMALY_DETECTED`或）。`ANOMALY_DETECTED`
  + **诊断**-显示影响因素的一系列诊断信息。
+ **timest** amp — 记录结果的时间戳。 AWS IoT SiteWise
+ **质量**-数据点的质量（通常`GOOD`）。

## 了解推理结果
<a name="understanding-inference-results"></a>

 AWS IoT SiteWise 异常检测返回的推理结果包括有关模型在特定时间戳的预测的关键信息，包括是否检测到异常以及哪些传感器导致了异常。

**Example 详细的推理结果：**  

```
{
    "timestamp": "2021-03-11T22:25:00.000000",
    "prediction": 1,
    "prediction_reason": "ANOMALY_DETECTED",
    "anomaly_score": 0.72385,
    "diagnostics": [
      { "name": "asset_id_1\\\\property_id_1", "value": 0.02346 },
      { "name": "asset_id_2\\\\property_id_2", "value": 0.10011 },
      { "name": "asset_id_3\\\\property_id_3", "value": 0.11162 }
    ]
}
```

该`diagnostics`字段对于解释模型做出特定预测*的原因*很有用。列表中的每个条目都包括：
+ `name`：对预测做出贡献的传感器（格式：`asset_id\\\\property_id`）。
+ `value`：介于 0 和 1 之间的浮点数，表示该传感器在该时间点的**相对权重或重要性**。

用户福利：
+ 了解哪些传感器对异常的影响最大。
+ 将高重量传感器与物理设备行为关联起来。
+ 为根本原因分析提供信息。

**注意**  
即使`prediction = 0`（行为正常），也会返回诊断列表。这有助于评估哪些传感器目前正在影响模型的决策，即使在健康状态下也是如此。