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。
# 在 Amazon Quick Sight 中使用机器学习 (ML) 获得见解
Amazon Quick Sight 使用机器学习来帮助您发现数据中隐藏的见解和趋势，识别关键驱动因素并预测业务指标。您还可以在嵌入控制面板的自然语言叙述中使用这些见解。
Amazon Quick Sight Enterprise Edition 使用机器学习 (ML) 和自然语言功能，带您超越描述和诊断分析，让您进入预测和决策阶段。您可以一目了然地了解数据，分享调查结果，并发现可实现目标的最佳决策。无需开发团队和技术部门创建必要的机器学习模型和算法即可实现此目的。
您可能已构建可视化内容来回答有关发生的事情、时间、地点的问题并提供调查下钻和模式识别。借助 ML Insights，您可以避免手动花费数小时的时间来进行分析和调查。您可以从自定义的上下文相关叙述（称为*自动叙述*）列表中进行选择，然后将其添加到分析中。除了选择自动叙述以外，您还可以选择查看预测、异常以及影响因素。您还可以添加以简单语言说明要点的自动叙述，从而为您的公司提供单个数据驱动的事实。
随着时间的流逝和数据在系统中流动，Amazon Quick Sight 会不断学习，从而提供更相关的见解。不是确定数据意味着什么，而是您可以确定使用它提供的信息做什么。
借助基于机器学习的共享基础，您的所有分析师和利益相关者都可以查看基于数百万个指标构建的趋势、异常、预测和自定义叙述。他们可以查看根本原因，考虑预测，评估风险和做出明智、正当的决策。
您可以创建如下所示的控制面板，无需手动分析，无需自定义开发技能，也无需了解机器学习建模或算法。所有这些功能都内置在 Amazon Quick Sight 企业版中。
**注意**
在整个产品中根据需要使用机器学习功能。主动使用机器学习的功能如此处所标记。
借助 ML Insights，Amazon Quick Sight 提供了三个主要功能：
+ 机器学习@@ **支持的异常检测 —** Amazon Quick Sight 使用亚马逊久经考验的机器学习技术来持续分析您的所有数据，以检测异常（异常值）。您可以确定导致业务指标发生任何重大变化的主要驱动因素，例如higher-than-expected 销售额或网站流量下降。Amazon Quick Sight 在数百万个指标和数十亿个数据点上使用随机剪辑森林算法。这样做使您能够获得通常埋藏在聚合中、不可通过手动分析获取的深入见解。
+ 基于@@ **机器学习的预测 —** Amazon Quick Sight 使非技术用户能够自信地预测其关键业务指标。内置的 ML 随机砍伐森林算法自动处理复杂的真实世界的场景，例如检测季节性和趋势、排除离群值以及输入缺失值。您可以 point-and-click简单地与数据进行交互。
+ 自述 — 通过在 **Amazon Quick Sight 中使用自动叙述，您可以构建包含嵌入式叙述的丰富仪表板，用通**俗易懂的语言讲述您的数据故事。这样做可以节省通过图表和表进行筛选以提取要报告的关键见解的数小时时间。它还实现了在组织内分享对数据的了解，以便您可以更快地做出决策。您可以使用建议的自动叙述，也可以自定义计算和语言以满足您的独特要求。Amazon Quick Sight 就像为您的所有用户提供个人数据分析师一样。
**Topics**
+ [了解 Amazon Quick Sight 使用的机器学习算法](concept-of-ml-algorithms.md)
+ [在 Amazon Quick Sight 中使用机器学习见解的数据集要求](ml-data-set-requirements.md)
+ [在 Amazon Quick Sight 中使用见解](computational-insights.md)
+ [使用 Amazon Quick Sight 创建自动叙事](narratives-creating.md)
+ [通过 ML 支持的异常检测功能检测异常值](anomaly-detection.md)
+ [使用 Amazon Quick Sight 预测和创建假设情景](forecasts-and-whatifs.md)
# 了解 Amazon Quick Sight 使用的机器学习算法
| |
| --- |
| 您不需要任何机器学习方面的技术经验即可使用 Amazon Quick Sight 中基于机器学习的功能。本节深入讨论该算法的技术细节，适用于那些希望详细了解该算法的工作原理的人员。不需要阅读该信息即可使用这些功能。 |
Amazon Quick Sight 使用随机砍伐森林 (RCF) 算法的内置版本。以下各节解释了这意味着什么，以及如何在 Amazon Quick Sight 中使用它。
首先，让我们看一下涉及的一些术语：
+ 异常 – 由于与同一样本中的大多数其他内容不同而被划分出来的某些内容。也称为异常值、例外、偏差等。
+ 数据点 – 数据集中的一个独立单元，或者简而言之，一行。不过，如果在不同维度上使用度量，则一个行可能具有多个数据点。
+ 决策树 – 是一种可视化算法决策过程的方法，用于评估数据中的模式。
+ 预测 – 根据当前和过去的行为预测将来的行为。
+ 模型 – 算法的数学表示形式或算法学习的内容。
+ 季节性 – 在时间序列数据中循环发生的重复行为模式。
+ 时间序列 – 一个字段或列中的日期或时间数据的有序集合。
**Topics**
+ [异常检测与预测之间有何区别？](difference-between-anomaly-detection-and-forecasting.md)
+ [什么是 RCF？](what-is-random-cut-forest.md)
+ [RCF 如何应用于检测异常](how-does-rcf-detect-anomalies.md)
+ [RCF 如何应用于生成预测](how-does-rcf-generate-forecasts.md)
+ [机器学习和 RCF 参考](learn-more-about-machine-learning-and-rcf.md)
# 异常检测与预测之间有何区别？
异常检测确定异常值及其贡献驱动因素，用于回答“发生了什么不常发生的情况？” 预测回答问题“如果一切继续按预期发生，将来会发生什么情况？” 允许预测的数学还使我们能够询问“如果一些事情发生了变化，则会发生什么情况？”
异常检测和预测都是从检查当前已知数据点开始的。Amazon Quick Sight 异常检测从已知数据开始，因此它可以确定已知集之外的内容，并将这些数据点识别为异常（异常值）。Amazon Quick Sight预测不包括异常数据点，并坚持已知模式。预测关注数据分布的既定模式。而异常检测关注偏离预期的数据点。每种方法从不同的方向接近决策制定。
# 什么是 RCF？
*随机砍伐森林* (RCF) 是一种特殊类型的*随机森林* (RF) 算法，是一种在机器学习中广泛使用且获得成功的技术。它需要使用一组随机数据点，将它们砍伐为相同数量的点，然后构建一组模型。相比之下，模型对应于决策树，因此被命名为森林。由于 RFs 无法轻易地以增量方式更新， RCFs 因此在树结构中发明了旨在允许增量更新的变量。
作为非监督型算法，RCF 使用聚类分析检测时间序列数据中的峰值、周期性或季节性中断以及数据点异常。随机砍伐森林可用作动态数据流（或时间索引的数值序列）的概要或概述。有关流的问题答案来自于该概要。以下特性描述了流以及我们如何与异常检测和预测建立关联：
+ *流式处理算法* 是一种占用内存较少的在线算法。在线算法在看到第 **(t\$11)** 个点之前就按时间 **t** 索引的输入点做出决策。小内存允许以低延迟生成答案的敏捷算法并允许用户与数据交互。
+ 在异常检测和预测中需要尊重*在线* 算法中按时间进行的排序。如果我们已经知道后天会发生什么，那么预测明天会发生什么就不是预测，而只是插入一个未知的缺失值。同样，今天引入的新产品可能是异常，但不一定在下一个季度末仍然是异常。
# RCF 如何应用于检测异常
人类可以轻松地辨别与其余数据不同的数据点。通过构建决策树的“森林”，然后监控新数据点如何更改森林，RCF 做着相同的事情。
*异常*是一个数据点，会将您的注意力从正常点上移开，比如黄色花田里一朵红花的图像。此“注意力转移”编码为树（即 RCF 中的模型）的（预期）位置被输入点占据。理念是创建其中每个决策树均来自为训练算法而采样的数据分区的森林。在更技术的角度看，每个树为样本生成特定类型的二进制空间分区树。当 Amazon Quick Sight 对数据进行采样时，RCF 会为每个数据点分配一个异常分数。它为看似异常的数据点提供较高的分数。该分数与树中的点的最终深度大致成反比。Random Cut Forest 通过从组成的每棵树计算平均分数，并根据样本大小缩放结果，从而分配异常分数。
将聚合不同模型的投票或分数，因为每个模型本身是一种弱预测器。当数据点的分数与最近的分数明显不同时，Amazon Quick Sight 会将其识别为异常。划定为异常的内容取决于应用程序。
这篇论文《[基于随机切入森林的直播异常检测》](http://proceedings.mlr.press/v48/guha16.pdf)提供了这种 state-of-the-art在线异常检测（时间序列异常检测）的多个示例。 RCFs用于连续的数据段或 “瓦片” 数据，其中直接数据段中的数据充当最新数据段的上下文。基于 RCF 的异常检测算法的先前版本对整个瓦形进行评分。Amazon Quick Sight 中的算法还提供了当前扩展环境中异常的大致位置。此大致位置在检测异常存在延迟的场景中非常有用。出现延迟是因为任何算法都需要将“以前看到的偏差”描绘为“异常偏差”，这在一些时间后进行。
# RCF 如何应用于生成预测
要预测静止时间序列中的下一个值，RCF 算法回答问题“在我们具有候选值后，最可能实现什么？” 它使用 RCF 中的单个树搜索最佳候选项。将聚合不同树中的候选项，因为每个树本身是弱预测器。聚合还允许生成分位数错误。此过程重复 **t** 次来预测未来的第 **t** 个值。
Amazon Quick Sight 中的算法叫做 *BIFOCAL*。它使用两个 RCFs来创建 CALibrated 商业智能FOrest 架构。第一个 RCF 用于筛选出异常并提供弱预测，该预测由第二个 RCF 纠正。总之，此方法提供了比其他广泛可用的算法（如 ETS）显著可靠的预测。
Amazon Quick Sight 预测算法中的参数数量明显少于其他广泛使用的算法。这样，它就现成可用，无需人针对大量时间序列数据点进行调整。随着更多数据在特定时间序列中积累，Amazon Quick Sight 中的预测可以根据数据漂移和模式变化进行调整。对于显示趋势的时间序列，首先执行趋势检测以使序列成为静止的。将使用趋势投影回该静止序列的预测。
由于算法依赖高效的在线算法 (RCF)，它可以支持交互式“假设”查询。在这些中，一些预测可更改并视为假设来提供条件预测。这是在分析过程中探索“假设”场景的能力来源。
# 机器学习和 RCF 参考
要了解更多有关机器学习和此算法的信息，我们推荐以下资源：
+ [可靠的随机砍伐森林 (RRCF)：没有数学说明](https://www.linkedin.com/pulse/robust-random-cut-forest-rrcf-math-explanation-logan-wilt/)一文提供了清晰的说明但没有数学方程式。
+ [*The Elements of Statistical Learning: Data Mining, Inference, and Prediction*, Second Edition (Springer Series in Statistics)](https://www.amazon.com/Elements-Statistical-Learning-Prediction-Statistics/dp/0387848576) 一书提供了机器学习的全面基础。
+ [Random Cut Forest Based Anomaly Detection On Streams](http://proceedings.mlr.press/v48/guha16.pdf)**，这是一篇学术论文，深入介绍了异常检测和预测技术并提供了示例。
其他 AWS 服务中出现了不同的区域合作框架方法。如果要了解如何在其他服务中使用 RCF，请参阅以下内容：
+ *适用于 Apache Flink 的 Amazon 托管服务 SQL 参考：RANDOM\$1CUT\$1FOREST 和* [https://docs.aws.amazon.com/kinesisanalytics/latest/sqlref/sqlrf-random-cut-forest.html](https://docs.aws.amazon.com/kinesisanalytics/latest/sqlref/sqlrf-random-cut-forest.html)
+ *Amazon SageMaker 开发者指南：*[随机砍伐森林 (RCF) 算法](https://docs.aws.amazon.com/sagemaker/latest/dg/randomcutforest.html)。[Machine Learning for Business](https://www.amazon.com/Machine-Learning-Business-Doug-Hudgeon/dp/1617295833/ref=sr_1_3)（2018 年 10 月）中的[随机砍伐森林算法](https://freecontent.manning.com/the-randomcutforest-algorithm/)一章中也解释了这种方法。
# 在 Amazon Quick Sight 中使用机器学习见解的数据集要求
要开始使用 Amazon Quick Sight 的机器学习功能，您需要连接或导入数据。您可以使用现有的 Amazon Quick Sight 数据集或创建一个新的数据集。您可以直接查询与 SQL 兼容的源，或将数据摄取到 SPICE 中。
数据必须具有以下属性：
+ 至少一个指标（例如，销售额、订单数、发货单位数、注册量等）。
+ 至少一个类别维度（例如，产品类别、通道、分段、行业等）。将忽略具有 NULL 值的类别。
+ 异常检测至少需要 15 个数据点才能进行训练。例如，如果您的数据粒度是每日，则需要至少 15 天的数据。如果粒度是每月，您至少需要 15 个月的数据。
+ 数据越多，预测效果越好。确保您的数据集具有足够的历史数据，以实现最佳结果。例如，如果您的数据粒度是每日，则需要至少 38 天的数据。如果粒度是每月，您至少需要 43 个月的数据。下面是每种时间粒度的要求：
+ 年：32 个数据点
+ 季度：35 个数据点
+ 月：43 个数据点
+ 周：35 个数据点
+ 日：38 个数据点
+ 小时：39 个数据点
+ 分钟：46 个数据点
+ 秒：46 个数据点
+ 如果您要分析异常或预测，则还需要至少一个日期维度。
如果您没有数据集来开始，可以下载此示例数据集：[ML Insights 示例数据集 VI](samples/ml-insights.csv.zip)。在数据集就绪后，通过该数据集创建新分析。
# 在 Amazon Quick Sight 中使用见解
在 Amazon Quick Sight 中，您可以将 ready-to-use分析计算作为小组件添加到分析中。您可以通过两种方式使用见解：
+ **建议的见解**
Amazon Quick Sight 会根据其对您在视觉对象中输入的数据的解读来创建建议见解列表。该列表基于上下文而更改。换句话说，您可能会看到不同的建议，具体取决于您添加到视觉对象中的字段和您选择的视觉对象类型。例如，如果您有时间序列可视化，则您的见解可能包括 period-over-period变化、异常和预测。在您将更多可视化添加到分析中时，会生成更多建议的见解。
+ **自定义见解**
利用自定义见解，您可以创建自己的计算，使用自己的单词为显示在小部件中的字段提供上下文。在创建自定义见解后，您可以将其添加到分析中，然后选择要使用的计算类型。然后，您可以添加文本和格式以使其按所需方式显示。您还可以添加更多字段、计算和参数。
您可以将建议的见解和自定义见解的任意组合添加到分析中，来创建最符合您的目的的决策环境。
**Topics**
+ [添加建议的洞察](adding-suggested-insights.md)
+ [将自定义洞察添加到分析中](adding-insights.md)
# 添加建议的洞察
使用以下过程将建议的见解添加到分析中。
在开始之前，请确保您的数据集符合[在 Amazon Quick Sight 中使用机器学习见解的数据集要求](ml-data-set-requirements.md)中列出的条件。
1. 从向视觉对象中添加了几个字段的分析开始。
1. 在左侧，选择 **Insights (见解)**。“**见解**” 面板打开，并显示ready-to-use 建议的见解列表。
每个视觉对象还会在其顶部边界显示一个小框来显示有多少个见解可用于该视觉对象。您可以选择此框以打开 **Insights (见解)** 面板，然后它打开您最近打开的视图。
向下滚动以预览更多见解。
显示的见解是由您选择在视觉对象中包含的字段的数据类型控制的。每次更改您的视觉对象时都会生成此列表。如果您进行了更改，请检查 **Insights (见解)** 以查看新见解。要获得特定的见解，请参阅[将自定义洞察添加到分析中](adding-insights.md)。
1. （可选）为见解之一打开包含更多选项的上下文菜单。为此，请选择洞察右上角的省略号（**…**）。
每种见解类型的选项有所不同。您可以与之交互的选项包括：
+ **更改时间序列聚合** – 更改为年、季度、月、周、日、小时或分钟。
+ **分析指标的促进因素** – 选择要分析的促进因素和时间范围。
+ **显示所有异常** – 浏览此时间范围内的异常。
+ **编辑预测** – 选择预测长度、预测间隔和季节性。
+ **聚焦**或**排除** – 放大或缩小您的维度数据。
+ **显示详细信息** – 查看有关最近的异常（异常值）的更多信息。
+ 提供有关见解在分析中的实用性的反馈。
1. 通过选择洞察标题旁边的加号（**\$1**）来将建议的洞察添加到分析中。
1. （可选）将见解添加到分析中后，自定义您希望其显示的叙述。为此，请选择 **v** 形视觉对象菜单，然后选择 **Customize narrative (自定义叙述)**。有关更多信息，请参阅 [使用 Amazon Quick Sight 创建自动叙事](narratives-creating.md)。
如果您的见解针对异常（异常值），则还可以更改异常检测作业的设置。为此，请选择 **Configure anomaly (配置异常)**。有关更多信息，请参阅 [针对异常值分析设置 ML 支持的异常检测](anomaly-detection-using.md)。
1. （可选）要从分析中删除见解，请选择视觉对象右上角的 **v** 形视觉对象菜单。然后选择**删除**。
# 将自定义洞察添加到分析中
如果您不想使用任何建议的见解，可以创建自己的自定义见解。使用以下过程创建自定义计算见解。
1. 从现有分析开始。在顶部菜单栏上，选择**添加 \$1**。然后选择 **Add Insight (添加见解)**。
将向分析中添加新见解的容器。
1. 请执行以下操作之一：
+ 从列表中选择要使用的计算。在您选择每个项目时，会显示该见解的输出示例。在找到要使用的项目时，请选择 **Select (选择)**。
+ 退出该屏幕并手动自定义见解。未配置的见解具有 **Customize insight (自定义见解)** 按钮。选择该按钮以打开 **Configure narrative (配置叙述)** 屏幕。有关使用表达式编辑器的更多信息，请参阅[使用 Amazon Quick Sight 创建自动叙事](narratives-creating.md)。
由于将要启动见解创建，它不基于现有的视觉对象。将见解添加到分析中时，它会显示一条注释，指示完成您的请求所需的数据种类。例如，它可能要求 **1 dimension in Time (1 个时间维度)**。在这种情况下，您向 **Time (时间)** 字段井中添加维度。
1. 在您具有正确数据后，按照任何剩余屏幕提示完成自定义见解的创建。
1. （可选）要从分析中删除见解，请选择视觉对象右上角的 **v** 形视觉对象菜单。然后选择**删除**。
# 使用 Amazon Quick Sight 创建自动叙事
*自动叙述* 是一个自然语言摘要小部件，它显示描述性文本而不是图表。您可以将这些小部件嵌入整个分析中以突出显示关键见解和注解。您不必通过视觉对象、向下钻取、比较值和重新检查想法来进行筛选以得出结论。您还不必尝试理解数据的含义，或与同事讨论不同的解释。相反，您可以通过数据来推断结论，并将其显示在简明陈述的分析中。单个解释可由每个人分享。
Amazon Quick Sight 会自动解释控制面板中的图表和表格，并以自然语言提供许多建议的见解。您可选择的建议的见解是现成的，并附带有单词、计算和函数。但如果您愿意，也可以更改它们。您还可以设计自己的见解。作为控制面板的作者，您可以充分灵活地自定义计算和语言以满足您的需求。您可以使用叙述来用普通语言有效地描述数据。
**注意**
叙述独立于机器学习。仅在您向它们添加了预测或异常（异常值）计算时，它们才使用 ML。
**Topics**
+ [包含自动叙述的洞察](auto-narratives.md)
+ [使用叙述表达式编辑器](using-narratives-expression-editor-step-by-step.md)
+ [表达式编辑器工作区](using-narratives-expression-editor-menus.md)
+ [正在添加 URLs](using-narratives-expression-editor-urls.md)
+ [使用自动叙述计算](auto-narrative-computations.md)
# 包含自动叙述的洞察
在分析中添加见解（也称为自动叙述）时，您可以从以下模板中进行选择。在下面的列表中，它们通过示例进行定义。每个定义包含自动叙述正常工作所需的最少字段的列表。如果您仅使用 **Insights (见解)** 选项卡上的建议见解，请选择相应的字段以在建议的见解列表中显示见解。
有关自定义自动叙述的更多信息，请参阅[使用自动叙述计算](auto-narrative-computations.md)。
+ **排名最后** – 例如，按销售收入排序的最后三个州。要求您在 **Categories (类别)** 字段井中具有至少一个维度。
+ **最小变化者** – 例如，按销售收入排序的最后三种所售产品。要求您在 **Time (时间)** 字段井中具有至少一个维度，并在 **Categories (类别)** 字段井中具有至少一个维度。
+ **预测***（ML 支持的洞察）*– 例如“2016 年 1 月的总销售额预测为 58613 美元。” 要求您在 **Time (时间)** 字段井中具有至少一个维度。
+ **增长率** – 例如“销售额的 3 个月复合增长率为 22.23%。” 要求您在 **Time (时间)** 字段井中具有至少一个维度。
+ **最大值** – 例如“最高月份为 2014 年 11 月，销售额为 112326 美元。” 要求您在 **Time (时间)** 字段井中具有至少一个维度。
+ **指标比较** – 例如“2014 年 12 月的总销售额为 90474 美元，比目标的 81426 美元高 10%。” 要求您在 **Time (时间)** 字段井中具有至少一个维度，并在 **Values (值)** 字段井中具有至少两个度量。
+ **最小值** – 例如“最低月份为 2011 年 2 月，销售额为 4810 美元。” 要求您在 **Time (时间)** 字段井中具有至少一个维度。
+ **异常检测***（ML 支持的洞察）*– 例如，2019 年 1 月 3 日总销售额的前三个异常值及其贡献驱动因素。要求您在 **Time (时间)** 字段井中具有至少一个维度，在 **Values (值)** 字段井中具有至少一个度量，并在 **Categories (类别)** 字段井中具有至少一个维度。
+ **同期增长率** – 例如“2014 年 11 月的总销售额从 77793 美元增加到 112326 美元，增加了 44.39%（34532 美元）。” 要求您在 **Time (时间)** 字段井中具有至少一个维度。
+ **同期迄今为止** ——例如，“2014年11月30日的ear-to-date销售额增长了25.87％（132,236美元），从511,236美元增至643,472美元。” 要求您在 **Time (时间)** 字段井中具有至少一个维度。
+ **排名最前** – 例如，按销售收入排序的前三个州。要求您在 **Categories (类别)** 字段井中具有至少一个维度。
+ **最大变化者** – 例如，2014 年 11 月按销售收入排序的最热卖产品。要求您在 **Time (时间)** 字段井中具有至少一个维度，并在 **Categories (类别)** 字段井中具有至少一个维度。
+ **总聚合** – 例如“总收入为 2297200 美元。” 要求您在 **Time (时间)** 字段井中具有至少一个维度，并在 **Values (值)** 字段井中具有至少一个度量。
+ **唯一值** – 例如“`Customer_IDs` 中有 793 个唯一值。” 要求您在 **Categories (类别)** 字段井中具有至少一个维度。
# 使用叙述表达式编辑器
以下演练显示了如何自定义叙述的示例。在本示例中，我们使用同期增长率计算类型。
1. 从现有分析开始。向它添加**同期增长率**见解。执行此操作的最简单方法是选择 \$1 图标，再选择 **Add insight (添加见解)**，然后从列表中选择见解类型。要了解可添加为自动叙述的计算见解类型，请参阅[包含自动叙述的洞察](auto-narratives.md)。
选择一种见解类型后，选择 **Select (选择)** 以创建小部件。要创建空叙述，请关闭此屏幕而不选择模板。要按照此示例操作，请选择 **Period over period (同期增长率)**。
如果您在添加见解时选择了视觉对象，则字段井已预配置了日期、指标和类别的字段。这些来自您在创建见解时选择的可视化。可以根据需要自定义字段。
您只能为新的或现有的见解（基于文本）小部件自定义叙述。您不能向现有视觉对象（基于图表）添加叙述，因为它是不同类型的小部件。
1. 通过选择视觉对象菜单，然后选择 **Customize narrative (自定义叙述)**，在表达式编辑器中编辑叙述。
在这种情况下，**计算**是预定义的计算（period-over-period、 period-to-date、增长率、最大值、最小值、最高移动值等），您可以在模板中引用这些计算来描述数据。目前，Amazon Quick Sight 支持 13 种不同类型的计算，您可以将其添加到您的见解中。在此示例中，默认添加**PeriodOverPeriod**是因为我们从建议的见解面板中选择**了 “按时间段**划分” 模板。
1. 选择右下角的 **Add computation (添加计算)** 来添加新计算，然后从列表中选择一个。对于本演练，请选择 **Growth rate (增长率)**，然后选择 **Next (下一步)**。
1. 通过选择要计算的期间数来配置计算。默认值为 4，并且这适用于我们的示例。（可选）您可以在屏幕顶部更改计算的名称。但是，对于我们的目的，保留名称不变。
**注意**
您创建的计算名称在见解中是唯一的。您可以在叙述模板中引用多个相同类型的计算。例如，假设您具有两个指标：销售收入和销量。您可以为每个指标创建增长率计算，只要它们具有不同的名称。
但是，异常计算不与同一小部件中的任何其他计算类型兼容。异常检测必须独自存在于见解中。要在同一分析中使用其他计算，请将其放入与异常分开的见解中。
要继续，请选择 **Add (添加)**。
1. 展开右侧的 **Computations (计算)**。属于叙述一部分的计算显示在列表中。在本例中，它是**PeriodOverPeriod**和**GrowthRate**。
1. 在工作区中，在最后的句点后添加以下文本，然后添加空格：**Compounded growth rate for the last**。
1. 接下来，要添加计算，请将光标停留在单词 **last** 之后的空格后。在右侧的下方 **GrowthRate**，选择名为 **Time** Periods 的表达式（只需单击一次即可添加）。
这样做会插入表达式 **GrowthRate.timePeri** ods，这是您在配置中设置的周期数。**GrowthRate**
1. 用** days is **（前后空格）完成句子，然后添加表达式**GrowthRate。 compoundedGrowthRate.formattedValue**，后跟一个句点 ()。`.`从列表中选择表达式，而不是键入它。但是，您可以在添加之后编辑表达式的内容。
![\[带有打开表达式列表的表达式编辑器。\]](http://docs.aws.amazon.com/zh_cn/quick/latest/userguide/images/narrative-add-expression.png)
**注意**
**formattedValue** 表达式返回根据应用于字段上的指标的格式设置格式的字符串。要执行指标数学，请改用 **value**，这将原始值作为整数或小数返回。
1. 添加条件语句和格式。将光标放在模板末尾 `formattedValue` 表达式之后。如有必要，请添加空格。在 **Edit narrative (编辑叙述)** 菜单栏上，选择 **Insert code (插入代码)**，然后从列表中选择 **Inline IF (内联 IF)**。将打开表达式块。
1. 打开表达式块后，从表达式列表中选择**GrowthRate**compoundedGrowthRate****、、**值**。在表达式末尾输入 **>0**。选择**保存**。不要移动您的光标。
将为条件内容显示提示；输入 **better than expected\$1**，然后选择您刚才输入的文本，并使用顶部的格式工具栏使其变为绿色和粗体。
1. 通过重复上一步，为增长率没有那么好的情况添加另一个表达式块。但这一次，使它为 **<0** 并输入文本 **worse than expected**。使它为红色而不是绿色。
1. 选择**保存**。我们刚刚创建的自定义叙述应如下所示。
![\[自定义叙述。\]](http://docs.aws.amazon.com/zh_cn/quick/latest/userguide/images/narrative-example-result.png)
表达式编辑器为您提供了复杂的工具来自定义叙述。您还可以引用您为分析或控制面板创建的参数，并使用一组内置函数进行进一步自定义。
**提示**
要创建空叙述，请依次使用 **\$1** 图标和 **Add insights (添加见解)** 来添加见解。但不选择模板，只是关闭屏幕。
开始自定义叙述的最佳方法是使用现有模板来了解语法。
# 表达式编辑器工作区
使用表达式编辑器自定义叙述，以最好地满足您的业务需求。以下信息概述了表达式编辑器工作区，并列出了可为您的叙述配置的所有菜单选项。有关向您说明如何创建自定义叙述的演练，请参阅 [使用叙述表达式编辑器](using-narratives-expression-editor-step-by-step.md)。
在屏幕右侧是您可以添加到叙述中的项目列表：
+ **计算** – 使用此选项可从该洞察提供的计算中进行选择。您可以展开此列表。
+ **参数** – 使用此选项可选择分析中存在的参数。您可以展开此列表。
+ **函数** – 使用此选项可以从可添加到叙述中的函数中进行选择。您可以展开此列表。
+ **添加计算** – 使用此按钮可创建另一个计算。新计算将显示在 **Computations (计算)** 列表，随时可添加到见解中。
在叙述表达式编辑器的底部，有一个随您工作更新的叙述预览。如果您在叙述中引入错误或叙述为空，则此区域还会显示警报。要查看 ML 支持的洞察（如异常检测或预测）的预览，请在自定义叙述之前至少运行一次洞察计算。
编辑工具位于屏幕顶部。它们提供以下选项：
+ **插入代码** – 您可以从此菜单插入以下代码块：
+ **表达式** – 添加自由格式表达式。
+ **内联 IF** – 添加与现有文本块内联显示的 IF 语句。
+ **内联 FOR** – 添加与现有文本块内联显示的 FOR 语句。
+ **块 IF** – 添加在单独的文本块中显示的 IF 语句。
+ **块 FOR** – 添加在单独的文本块中显示的 FOR 语句。
IF 和 FOR 语句允许您创建有条件格式化的内容。例如，您可以添加**块 IF** 语句，然后将其配置为将一个整数与计算得到的值进行比较。若要执行此操作，您可以使用以下步骤，[使用叙述表达式编辑器](using-narratives-expression-editor-step-by-step.md)中也展示了这些步骤：
1. 打开右侧的计算菜单，然后从其中一个计算中选择一个蓝色突出显示的项目。这样做会将项目添加到叙述中。
1. 在项目上单击一次以打开它。
1. 输入您要执行的比较。表达式类似于如下：`PeriodOverPeriod.currentMetricValue.value>0`。
1. 将此表达式保存在弹出编辑器中，该编辑器会提示您输入**条件内容**。
1. 输入要在见解中显示的内容，然后按照您希望的显示方式进行格式化。或者，如果您愿意，您可以添加图像或 URL，或者为图像添加 URL。
+ **段落** – 此菜单提供更改字体大小的选项：
+ **H1 大标题**
+ H2 标题
+ H3 小标题
+ ¶1 大段落
+ ¶2 段落
+ ¶3 小段落
+ **字体** – 使用此菜单托盘可选择文本格式化选项。其中包括粗体、斜体、下划线、删除线、文本的前景颜色（字母本身）和文本的背景颜色。选择图标以打开某个选项；再次选择该图标可关闭该选项。
+ **格式设置** – 使用此菜单托盘可以选择段落格式设置的选项，包括项目符号列表、左对齐、居中和右对齐。选择图标以打开某个选项，再次选择该图标可关闭选项。
+ **图像** – 使用此图标添加图像 URL。只要链接可访问，图像就会显示在您的见解中。您可以调整图像的大小。要根据条件显示图像，请将图像放入 IF 块中。
+ **URL** – 使用此图标可添加静态或动态 URL。您也可以 URLs 添加到图像中。例如，您可以将交通指示灯图像添加到执行控制面板的洞察中，并提供指向红色、琥珀色和绿色条件的新工作表链接。
# 正在添加 URLs
使用叙事表达编辑器编辑菜单上的 **URL** 按钮，可以在叙事中添加静态和动态 URLs （超链接）。您也可以使用以下键盘快捷键：⌘\$1⇧\$1L 或 Ctrl\$1⇧\$1L。
静态 URL 是不会更改的链接，始终打开相同的 URL。动态 URL 是根据您在设置时提供的表达式或参数进行更改的链接。它使用动态求值的表达式或参数构建。
以下是您可以在叙述中添加静态链接的示例：
+ **在 IF 语句中，您可以在条件内容中使用 URL。**如果您这样做，且有一个指标未能达到预期值，您的链接可以向用户发送一个 wiki，其中包含改进该指标的最佳实践列表。
+ **您可以使用以下步骤，通过静态 URL 创建指向同一控制面板中另一个工作表的链接：**
1. 转到要链接到的工作表。
1. 复制该工作表的 URL。
1. 返回叙述编辑器，并使用刚刚复制的 URL 创建链接。
以下是您可以在叙述中添加动态链接的示例：
+ **使用以下步骤通过查询搜索网站。**
1. 使用以下链接创建 URL。
```
https://google.com?q=<>
```
此链接向 Google 发送查询，其中包含的搜索文本是以下内容的计算值。
```
formatDate(now(), 'yyyy-MM-dd')
```
如果 `now()` 的值为 `02/02/2020`，则您叙述中的链接包含 `https://google.com?q=2020-02-02`。
+ **创建更新参数的链接。**为此，请创建或编辑链接并将 URL 设置为当前控制面板或分析的 URL。然后添加表达式，将参数值设置为末尾的值，例如 `#p.myParameter=12345`。
假设以下是您开始使用的控制面板链接。
```
https://us-east-1.quicksight.aws.amazon.com/sn/analyses/00000000-1111-2222-3333-44444444
```
如果您向其添加参数值赋值，则它看起来如下所示。
```
https://us-east-1.quicksight.aws.amazon.com/sn/analyses/00000000-1111-2222-3333-44444444#p.myParameter=12345
```
有关中参数的更多信息 URLs，请参阅[在 URL 中使用参数](parameters-in-a-url.md)。
# 使用自动叙述计算
可以使用该部分帮助您了解在自定义自动叙述时可供使用的函数。仅当您希望更改或在默认计算上构建时才需要自定义叙述。
在创建自动叙述后，将打开表达式编辑器。您还可以通过依次选择视觉对象菜单和 **Customize Narrative (自定义叙述)** 来激活表达式编辑器。要在使用表达式编辑器时添加计算，请选择 **\$1 Add computation (\$1 添加计算)**。
您可以使用以下代码表达式构建自动叙述。可以从标记为 **Insert code (插入代码)** 的列表中获取这些表达式。代码语句可以内联方式（在句子中）或作为块（在列表中）显示。
+ 表达式 – 创建您自己的代码表达式。
+ IF – 在评估条件之后包括表达式的 IF 语句。
+ FOR – 循环访问值的 FOR 语句。
您可以使用以下计算构建自动叙述。您可以使用表达式编辑器而不编辑任何语法，但如果您愿意，也可以自定义它。要与语法交互，请打开自动叙述表达式编辑器中的计算小部件。
**Topics**
+ [针对异常值的 ML 支持的异常检测](anomaly-detection-function.md)
+ [最小变化者计算](bottom-movers-function.md)
+ [排名最低计算](bottom-ranked-function.md)
+ [ML 支持的预测](forecast-function.md)
+ [增长率计算](growth-rate-function.md)
+ [最大值计算](maximum-function.md)
+ [指标比较计算](metric-comparison-function.md)
+ [最小值计算](minimum-function.md)
+ [同期增长率计算](period-over-period-function.md)
+ [期初至今计算](period-to-date-function.md)
+ [最大变化者计算](top-movers-function.md)
+ [排名最高计算](top-ranked-function.md)
+ [聚合总量计算](total-aggregation-function.md)
+ [唯一值计算](unique-values-function.md)
# 针对异常值的 ML 支持的异常检测
ML 支持的异常检测计算搜索您的数据以查找异常值。例如，您可以检测 2019 年 1 月 3 日总销售额的前三个异常值。如果启用贡献分析，您还可以检测每个异常值的关键驱动因素。
要使用该函数，您需要在 **Time (时间)** 字段井中具有至少一个维度，在 **Values (值)** 字段井中具有至少一个度量，并在 **Categories (类别)** 字段井中具有至少一个维度。配置屏幕提供了一个选项，用于分析其他字段作为关键驱动因素的贡献，即使这些字段不在字段井中。
有关更多信息，请参阅 [通过 ML 支持的异常检测功能检测异常值](anomaly-detection.md)。
**注意**
不能将 ML 支持的异常检测添加到其他计算中，也不能将其他计算添加到异常检测中。
## 计算输出
每个函数都会生成一组输出参数。您可以将这些输出添加到自动叙述以自定义它显示的内容。您也可以添加自己的自定义文本。
要找到输出参数，请打开右侧的 **Computations (计算)** 选项卡并找到您要使用的计算。计算的名称来自您创建见解时提供的名称。请通过只单击一次来选择输出参数。如果您单击两次，您将两次添加相同的输出。您可以使用显示在叙述后面的 **`bold monospace font`** 中的项目。
+ `timeField` – 来自**时间**字段井。
+ `name` – 字段的格式化的显示名称。
+ `timeGranularity` – 时间字段粒度（**DAY**、**YEAR** 等等）。
+ `categoryFields` – 来自**类别**字段井。
+ `name` – 字段的格式化的显示名称。
+ `metricField` – 来自**值**字段井。
+ `name` – 字段的格式化的显示名称。
+ `aggregationFunction` – 用于指标的聚合（**SUM**、**AVG** 等等）。
+ `itemsCount` – 此计算中包含的项目数。
+ `items` – 异常项目。
+ `timeValue` – 日期维度中的值。
+ `value` – 异常（异常值）发生点的日期/时间字段。
+ `formattedValue`— 异常时 date/time 字段中的格式化值。
+ `categoryName` – 类别的实际名称（cat1、cat2 等等）。
+ `direction` – x 轴或 y 轴上标识为异常的方向：`HIGH` 或 `LOW`。`HIGH` 表示“高于预期”。`LOW`表示“低于预期”。
迭代项目时，`AnomalyDetection.items[index].direction` 可以包含 `HIGH` 或 `LOW`。例如，`AnomalyDetection.items[index].direction='HIGH'` 或 `AnomalyDetection.items[index].direction=LOW`。`AnomalyDetection.direction` 可以有一个 `ALL` 的空字符串。例如，`AnomalyDetection.direction=''`。
+ `actualValue` – 异常或异常值发生点处指标的实际值。
+ `value` – 原始值。
+ `formattedValue` – 指标字段格式化的值。
+ `formattedAbsoluteValue` – 指标字段格式化的绝对值。
+ `expectedValue` – 异常（异常值）发生点处指标的预期值。
+ `value` – 原始值。
+ `formattedValue` – 指标字段格式化的值。
+ `formattedAbsoluteValue` – 指标字段格式化的绝对值。
# 最小变化者计算
最小变化者计算按日期计算自动叙述的数据集中排名最低的请求类别数。例如，您可以创建一个计算，查找销售收入最低的三种所售产品。
要使用该函数，要求在 **Time (时间)** 字段井中具有至少一个维度并在 **Categories (类别)** 字段井中具有至少一个维度。
## 参数
*name*
您分配或更改的唯一描述性名称。如果您未创建自己的名称，则会分配一个名称。您可以稍后编辑它。
*日期*
您要排名的日期维度。
*类别*
您要排名的类别维度。
*值*
计算所基于的聚合度量。
*Number of movers (变化者数)*
要显示的排名结果数。
*Order by (排序依据)*
要使用的顺序：百分比差值或绝对差值。
## 计算输出
每个函数都会生成一组输出参数。您可以将这些输出添加到自动叙述以自定义它显示的内容。您也可以添加自己的自定义文本。
要找到输出参数，请打开右侧的 **Computations (计算)** 选项卡并找到您要使用的计算。计算的名称来自您创建见解时提供的名称。请通过只单击一次来选择输出参数。如果您单击两次，您将两次添加相同的输出。以**粗体**显示的项目可用于叙述中。
**注意**
这些输出参数与最大变化者计算返回的输出参数相同。
+ `timeField` – 来自**时间**字段井。
+ `name` – 字段的格式化的显示名称。
+ `timeGranularity` – 时间字段粒度（**DAY**、**YEAR** 等等）。
+ `categoryField` – 来自**类别**字段井。
+ `name` – 字段的格式化的显示名称。
+ `metricField` – 来自**值**字段井。
+ `name` – 字段的格式化的显示名称。
+ `aggregationFunction` – 用于指标的聚合（**SUM**、**AVG** 等等）。
+ `startTimeValue` – 日期维度中的值。
+ `value` – 原始值。
+ `formattedValue` – 日期时间字段格式化的值。
+ `endTimeValue` – 日期维度中的值。
+ `value` – 原始值。
+ `formattedValue` – 日期时间字段格式化的绝对值。
+ `itemsCount` – 此计算中包含的项目数。
+ `items`：最小变化的项目。
+ `categoryField` – 类别字段。
+ `value` – 类别字段的值（内容）。
+ `formattedValue` – 类别字段的格式化值（内容）。如果字段为 null，这显示“`NULL`”。如果字段为空，这显示“`(empty)`”。
+ `currentMetricValue` – 指标字段的当前值。
+ `value` – 原始值。
+ `formattedValue` – 指标字段格式化的值
+ `formattedAbsoluteValue` – 指标字段格式化的绝对值。
+ `previousMetricValue` – 指标字段的先前值。
+ `value` – 原始值。
+ `formattedValue` – 指标字段格式化的值
+ `formattedAbsoluteValue` – 指标字段格式化的绝对值。
+ `percentDifference` – 指标字段的当前值与先前值之间的百分比差异。
+ `value` – 百分比差异计算的原始值。
+ `formattedValue` – 百分比差异的格式化值（例如，-42%）。
+ `formattedAbsoluteValue` – 百分比差异的格式化绝对值（例如，42%）。
+ `absoluteDifference` – 指标字段的当前值与先前值之间的绝对差异。
+ `value` – 绝对差异计算的原始值。
+ `formattedValue` – 由指标字段的格式首选项中的设置格式化的绝对差异。
+ `formattedAbsoluteValue` – 指标字段格式化的差异的绝对值。
# 排名最低计算
排名最低计算按值计算自动叙述的数据集中排名最低的请求类别数。例如，您可以创建一个计算，查找销售收入最低的三个州。
要使用该函数，您需要在 **Categories (类别)** 字段井中具有至少一个维度。
## 参数
*name*
您分配或更改的唯一描述性名称。如果您未创建自己的名称，则会分配一个名称。您可以稍后编辑它。
*类别*
您要排名的类别维度。
*值*
计算所基于的聚合度量。
*Number of results*
要显示的排名结果数。
## 计算输出
每个函数都会生成一组输出参数。您可以将这些输出添加到自动叙述以自定义它显示的内容。您也可以添加自己的自定义文本。
要找到输出参数，请打开右侧的 **Computations (计算)** 选项卡并找到您要使用的计算。计算的名称来自您创建见解时提供的名称。请通过只单击一次来选择输出参数。如果您单击两次，您将两次添加相同的输出。以**粗体**显示的项目可用于叙述中。
**注意**
这些输出参数与排名最高计算返回的输出参数相同。
+ `categoryField` – 来自**类别**字段井。
+ `name` – 字段的格式化的显示名称。
+ `metricField` – 来自**值**字段井。
+ `name` – 字段的格式化的显示名称。
+ `aggregationFunction` – 用于指标的聚合（**SUM**、**AVG** 等等）。
+ `itemsCount` – 此计算中包含的项目数。
+ `items`：排名最低的项目。
+ `categoryField` – 类别字段。
+ `value` – 类别字段的值（内容）。
+ `formattedValue` – 类别字段的格式化值（内容）。如果字段为 null，这显示“`NULL`”。如果字段为空，这显示“`(empty)`”。
+ `metricValue` – 指标字段。
+ `value` – 原始值。
+ `formattedValue` – 指标字段格式化的值。
+ `formattedAbsoluteValue` – 指标字段格式化的绝对值。
## 示例
下面的屏幕截图显示了排名最低的计算的默认配置。
![\[排名最低的计算的默认配置。\]](http://docs.aws.amazon.com/zh_cn/quick/latest/userguide/images/bottom-ranked-computation.png)
# ML 支持的预测
ML 支持的预测计算根据以前按季节的指标模式预测未来指标。例如，您可以创建一个计算来预测未来六个月的总收入。
要使用该函数，您需要在 **Time (时间)** 字段井中具有至少一个维度。
有关使用预测的详细信息，请参阅[使用 Amazon Quick Sight 预测和创建假设情景](forecasts-and-whatifs.md)。
## 参数
*name*
您分配或更改的唯一描述性名称。如果您未创建自己的名称，则会分配一个名称。您可以稍后编辑它。
*日期*
您要排名的日期维度。
*值*
计算所基于的聚合度量。
*Periods forward (未来的期间)*
要预测的未来时间段数。范围从 1 到 1,000。
*Periods backward (过去的期间)*
要作为预测基础的过去时间段数。范围从 0 到 1,000。
*Seasonality (季节性)*
日历年中包含的季节数。默认设置 **automatic (自动)** 会为您检测此数值。范围从 1 到 180。
## 计算输出
每个函数都会生成一组输出参数。您可以将这些输出添加到自动叙述以自定义它显示的内容。您也可以添加自己的自定义文本。
要找到输出参数，请打开右侧的 **Computations (计算)** 选项卡并找到您要使用的计算。计算的名称来自您创建见解时提供的名称。请通过只单击一次来选择输出参数。如果您单击两次，您将两次添加相同的输出。以**粗体**显示的项目可用于叙述中。
+ `timeField` – 来自**时间**字段井。
+ `name` – 字段的格式化的显示名称。
+ `timeGranularity` – 时间字段粒度（**DAY**、**YEAR** 等等）。
+ `metricField` – 来自**值**字段井。
+ `name` – 字段的格式化的显示名称。
+ `aggregationFunction` – 用于指标的聚合（**SUM**、**AVG** 等等）。
+ `metricValue` – 指标维度中的值。
+ `value` – 原始值。
+ `formattedValue` – 指标字段格式化的值。
+ `formattedAbsoluteValue` – 指标字段格式化的绝对值。
+ `timeValue` – 日期维度中的值。
+ `value` – 原始值。
+ `formattedValue` – 日期字段格式化的值。
+ `relativePeriodsToForecast` – 最新日期时间记录与上一个预测记录之间的相对期间数量。
# 增长率计算
增长率计算比较一段时间内的值。例如，您可以创建一个计算以查找三个月的销售复合增长率（以百分比表示）。
要使用该函数，您需要在 **Time (时间)** 字段井中具有至少一个维度。
## 参数
*name*
您分配或更改的唯一描述性名称。如果您未创建自己的名称，则会分配一个名称。您可以稍后编辑它。
*日期*
您要排名的日期维度。
*值*
计算所基于的聚合度量。
*Number of periods*
要用于计算增长率的未来时间段数。
## 计算输出
每个函数都会生成一组输出参数。您可以将这些输出添加到自动叙述以自定义它显示的内容。您也可以添加自己的自定义文本。
要找到输出参数，请打开右侧的 **Computations (计算)** 选项卡并找到您要使用的计算。计算的名称来自您创建见解时提供的名称。请通过只单击一次来选择输出参数。如果您单击两次，您将两次添加相同的输出。以**粗体**显示的项目可用于叙述中。
+ `timeField` – 来自**时间**字段井。
+ `name` – 字段的格式化的显示名称。
+ `timeGranularity` – 时间字段粒度（**DAY**、**YEAR** 等等）。
+ `metricField` – 来自**值**字段井。
+ `name` – 字段的格式化的显示名称。
+ `aggregationFunction` – 用于指标的聚合（**SUM**、**AVG** 等等）。
+ `previousMetricValue` – 指标维度中的先前值。
+ `value` – 原始值。
+ `formattedValue` – 指标字段格式化的值。
+ `formattedAbsoluteValue` – 指标字段格式化的绝对值。
+ `previousTimeValue` – 日期时间维度中的先前值。
+ `value` – 原始值。
+ `formattedValue` – 日期时间字段格式化的值。
+ `compoundedGrowthRate` – 指标字段的当前值与先前值之间的百分比差异。
+ `value` – 百分比差异计算的原始值。
+ `formattedValue` – 百分比差异的格式化值（例如，-42%）。
+ `formattedAbsoluteValue` – 百分比差异的格式化绝对值（例如，42%）。
+ `absoluteDifference` – 指标字段的当前值与先前值之间的绝对差异。
+ `value` – 绝对差异计算的原始值。
+ `formattedValue` – 由指标字段的格式首选项中的设置格式化的绝对差异。
+ `formattedAbsoluteValue` – 指标字段格式化的差异的绝对值。
# 最大值计算
最大值计算按值查找最大维度。例如，您可以创建一个计算来查找收入最高的月份。
要使用该函数，您需要在 **Time (时间)** 字段井中具有至少一个维度。
## 参数
*name*
您分配或更改的唯一描述性名称。如果您未创建自己的名称，则会分配一个名称。您可以稍后编辑它。
*日期*
您要排名的日期维度。
*值*
计算所基于的聚合度量。
## 计算输出
每个函数都会生成一组输出参数。您可以将这些输出添加到自动叙述以自定义它显示的内容。您也可以添加自己的自定义文本。
要找到输出参数，请打开右侧的 **Computations (计算)** 选项卡并找到您要使用的计算。计算的名称来自您创建见解时提供的名称。请通过只单击一次来选择输出参数。如果您单击两次，您将两次添加相同的输出。以**粗体**显示的项目可用于叙述中。
**注意**
这些输出参数与最小值计算返回的输出参数相同。
+ `timeField` – 来自**时间**字段井。
+ `name` – 字段的格式化的显示名称。
+ `timeGranularity` – 时间字段粒度（**DAY**、**YEAR** 等等）。
+ `metricField` – 来自**值**字段井。
+ `name` – 字段的格式化的显示名称。
+ `aggregationFunction` – 用于指标的聚合（**SUM**、**AVG** 等等）。
+ `metricValue` – 指标维度中的值。
+ `value` – 原始值。
+ `formattedValue` – 指标字段格式化的值。
+ `formattedAbsoluteValue` – 指标字段格式化的绝对值。
+ `timeValue` – 日期时间维度中的值。
+ `value` – 原始值。
+ `formattedValue` – 日期时间字段格式化的值。
# 指标比较计算
指标比较计算比较不同度量中的值。例如，您可以创建一个计算来比较两个值，例如实际销售额与目标销售额。
要使用该函数，您需要在 **Time (时间)** 字段井中具有至少一个维度，并在 **Values (值)** 字段井中具有至少两个度量。
## 参数
*name*
您分配或更改的唯一描述性名称。如果您未创建自己的名称，则会分配一个名称。您可以稍后编辑它。
*日期*
您要排名的日期维度。
*值*
计算所基于的聚合度量。
*目标值*
要与该值进行比较的字段。
## 计算输出
每个函数都会生成一组输出参数。您可以将这些输出添加到自动叙述以自定义它显示的内容。您也可以添加自己的自定义文本。
要找到输出参数，请打开右侧的 **Computations (计算)** 选项卡并找到您要使用的计算。计算的名称来自您创建见解时提供的名称。请通过只单击一次来选择输出参数。如果您单击两次，您将两次添加相同的输出。以**粗体**显示的项目可用于叙述中。
+ `timeField` – 来自**时间**字段井。
+ `name` – 字段的格式化的显示名称。
+ `timeGranularity` – 时间字段粒度（**DAY**、**YEAR** 等等）。
+ `fromMetricField` – 来自**值**字段井。
+ `name` – 字段的格式化的显示名称。
+ `aggregationFunction` – 用于指标的聚合（**SUM**、**AVG** 等等）。
+ `fromMetricValue` – 指标维度中的值。
+ `value` – 原始值。
+ `formattedValue` – 指标字段格式化的值。
+ `formattedAbsoluteValue` – 指标字段格式化的绝对值。
+ `toMetricField` – 来自**值**字段井。
+ `name` – 字段的格式化的显示名称。
+ `aggregationFunction` – 用于指标的聚合（**SUM**、**AVG** 等等）。
+ `toMetricValue` – 指标维度中的当前值。
+ `value` – 原始值。
+ `formattedValue` – 指标字段格式化的值。
+ `formattedAbsoluteValue` – 指标字段格式化的绝对值。
+ `timeValue` – 日期时间维度中的值。
+ `value` – 原始值。
+ `formattedValue` – 日期时间字段格式化的值。
+ `percentDifference` – 指标字段的当前值与先前值之间的百分比差异。
+ `value` – 百分比差异计算的原始值。
+ `formattedValue` – 百分比差异的格式化值（例如，-42%）。
+ `formattedAbsoluteValue` – 百分比差异的格式化绝对值（例如，42%）。
+ `absoluteDifference` – 指标字段的当前值与先前值之间的绝对差异。
+ `value` – 绝对差异计算的原始值。
+ `formattedValue` – 由指标字段的格式首选项中的设置格式化的绝对差异。
+ `formattedAbsoluteValue` – 指标字段格式化的差异的绝对值。
# 最小值计算
最小值计算按值查找最小维度。例如，您可以创建一个计算来查找收入最低的月份。
要使用该函数，您需要在 **Time (时间)** 字段井中具有至少一个维度。
## 参数
*name*
您分配或更改的唯一描述性名称。如果您未创建自己的名称，则会分配一个名称。您可以稍后编辑它。
*日期*
您要排名的日期维度。
*值*
计算所基于的聚合度量。
## 计算输出
每个函数都会生成一组输出参数。您可以将这些输出添加到自动叙述以自定义它显示的内容。您也可以添加自己的自定义文本。
要找到输出参数，请打开右侧的 **Computations (计算)** 选项卡并找到您要使用的计算。计算的名称来自您创建见解时提供的名称。请通过只单击一次来选择输出参数。如果您单击两次，您将两次添加相同的输出。以**粗体**显示的项目可用于叙述中。
**注意**
这些输出参数与最大值计算返回的输出参数相同。
+ `timeField` – 来自**时间**字段井。
+ `name` – 字段的格式化的显示名称。
+ `timeGranularity` – 时间字段粒度（**DAY**、**YEAR** 等等）。
+ `metricField` – 来自**值**字段井。
+ `name` – 字段的格式化的显示名称。
+ `aggregationFunction` – 用于指标的聚合（**SUM**、**AVG** 等等）。
+ `metricValue` – 指标维度中的值。
+ `value` – 原始值。
+ `formattedValue` – 指标字段格式化的值。
+ `formattedAbsoluteValue` – 指标字段格式化的绝对值。
+ `timeValue` – 日期时间维度中的值。
+ `value` – 原始值。
+ `formattedValue` – 日期时间字段格式化的值。
# 同期增长率计算
同期增长率计算比较两个不同时间段的值。例如，您可以创建一个计算，以了解销售额自上个时间段以来的增长或减少程度。
要使用该函数，您需要在 **Time (时间)** 字段井中具有至少一个维度。
## 参数
*name*
您分配或更改的唯一描述性名称。如果您未创建自己的名称，则会分配一个名称。您可以稍后编辑它。
*日期*
您要排名的日期维度。
*值*
计算所基于的聚合度量。
## 计算输出
每个函数都会生成一组输出参数。您可以将这些输出添加到自动叙述以自定义它显示的内容。您也可以添加自己的自定义文本。
要找到输出参数，请打开右侧的 **Computations (计算)** 选项卡并找到您要使用的计算。计算的名称来自您创建见解时提供的名称。请通过只单击一次来选择输出参数。如果您单击两次，您将两次添加相同的输出。以**粗体**显示的项目可用于叙述中。
+ `timeField` – 来自**时间**字段井。
+ `name` – 字段的格式化的显示名称。
+ `timeGranularity` – 时间字段粒度（**DAY**、**YEAR** 等等）。
+ `metricField` – 来自**值**字段井。
+ `name` – 字段的格式化的显示名称。
+ `aggregationFunction` – 用于指标的聚合（**SUM**、**AVG** 等等）。
+ `previousMetricValue` – 指标维度中的先前值。
+ `value` – 原始值。
+ `formattedValue` – 指标字段格式化的值。
+ `formattedAbsoluteValue` – 指标字段格式化的绝对值。
+ `previousTimeValue` – 日期时间维度中的先前值。
+ `value` – 原始值。
+ `formattedValue` – 日期时间字段格式化的值。
+ `currentMetricValue` – 指标维度中的当前值。
+ `value` – 原始值。
+ `formattedValue` – 指标字段格式化的值。
+ `formattedAbsoluteValue` – 指标字段格式化的绝对值。
+ `currentTimeValue` – 日期时间维度中的当前值。
+ `value` – 原始值。
+ `formattedValue` – 日期时间字段格式化的值。
+ `percentDifference` – 指标字段的当前值与先前值之间的百分比差异。
+ `value` – 百分比差异计算的原始值。
+ `formattedValue` – 百分比差异的格式化值（例如，-42%）。
+ `formattedAbsoluteValue` – 百分比差异的格式化绝对值（例如，42%）。
+ `absoluteDifference` – 指标字段的当前值与先前值之间的绝对差异。
+ `value` – 绝对差异计算的原始值。
+ `formattedValue` – 由指标字段的格式首选项中的设置格式化的绝对差异。
+ `formattedAbsoluteValue` – 指标字段格式化的差异的绝对值。
## 示例
**创建同期增长率计算**
1. 在要更改的分析中，选择**添加洞察**。
1. 对于**计算类型**，选择**同期增长率**，然后选择**选择**。
1. 在您创建的新见解中，添加要比较的时间维度和值维度字段。在下面的屏幕截图中，`Order Date` 和 `Sales (Sum)` 已添加到洞察中。选中这两个字段后，Quick Sight会显示最近一个月的年初至今销售额以及与上个月相比的百分比差异。
![\[alt text not found\]](http://docs.aws.amazon.com/zh_cn/quick/latest/userguide/images/periodOverPeriod1.png)
1. （可选）要进一步自定义洞察，请打开视觉对象菜单并选择**自定义叙述**。在出现的**编辑叙述**窗口中，从**计算**列表中拖放所需的字段，然后选择**保存**。
# 期初至今计算
期初至今计算评估指定的期初至今的值。例如，您可以创建一个计算来找出您的 year-to-date销售收入。
要使用该函数，您需要在 **Time (时间)** 字段井中具有至少一个维度。
## 参数
*name*
您分配或更改的唯一描述性名称。如果您未创建自己的名称，则会分配一个名称。您可以稍后编辑它。
*日期*
您要排名的日期维度。
*值*
计算所基于的聚合度量。
*Time granularity (时间粒度)*
要用于计算的日期粒度，例如“本年迄今”。
## 计算输出
每个函数都会生成一组输出参数。您可以将这些输出添加到自动叙述以自定义它显示的内容。您也可以添加自己的自定义文本。
要找到输出参数，请打开右侧的 **Computations (计算)** 选项卡并找到您要使用的计算。计算的名称来自您创建见解时提供的名称。请通过只单击一次来选择输出参数。如果您单击两次，您将两次添加相同的输出。以**粗体**显示的项目可用于叙述中。
+ `timeField` – 来自**时间**字段井。
+ `name` – 字段的格式化的显示名称。
+ `timeGranularity` – 时间字段粒度（**DAY**、**YEAR** 等等）。
+ `metricField` – 来自**值**字段井。
+ `name` – 字段的格式化的显示名称。
+ `aggregationFunction` – 用于指标的聚合（**SUM**、**AVG** 等等）。
+ `previousMetricValue` – 指标维度中的先前值。
+ `value` – 原始值。
+ `formattedValue` – 指标字段格式化的值。
+ `formattedAbsoluteValue` – 指标字段格式化的绝对值。
+ `previousTimeValue` – 日期时间维度中的先前值。
+ `value` – 原始值。
+ `formattedValue` – 日期时间字段格式化的值。
+ `currentMetricValue` – 指标维度中的当前值。
+ `value` – 原始值。
+ `formattedValue` – 指标字段格式化的值。
+ `formattedAbsoluteValue` – 指标字段格式化的绝对值。
+ `currentTimeValue` – 日期时间维度中的当前值。
+ `value` – 原始值。
+ `formattedValue` – 日期时间字段格式化的值。
+ `periodGranularity` – 此计算的期间粒度（**MONTH**、**YEAR** 等等）。
+ `percentDifference` – 指标字段的当前值与先前值之间的百分比差异。
+ `value` – 百分比差异计算的原始值。
+ `formattedValue` – 百分比差异的格式化值（例如，-42%）。
+ `formattedAbsoluteValue` – 百分比差异的格式化绝对值（例如，42%）。
+ `absoluteDifference` – 指标字段的当前值与先前值之间的绝对差异。
+ `value` – 绝对差异计算的原始值。
+ `formattedValue` – 由指标字段的格式首选项中的设置格式化的绝对差异。
+ `formattedAbsoluteValue` – 指标字段格式化的差异的绝对值。
## 示例
**创建期初至今计算**
1. 在要更改的分析中，选择**添加洞察**。
1. 对于**计算类型**，选择**起初至今**，然后选择**选择**。
1. 在您创建的新洞察中，添加要比较的时间维度和值维度字段。在下面的屏幕截图中，`Order Date` 和 `Sales (Sum)` 已添加到洞察中。选中这两个字段后，Quick Sight会显示最近一个月的年初至今销售额以及与上个月相比的百分比差异。
![\[alt text not found\]](http://docs.aws.amazon.com/zh_cn/quick/latest/userguide/images/periodOverPeriod1.png)
1. （可选）要进一步自定义洞察，请打开视觉对象菜单并选择**自定义叙述**。在出现的**编辑叙述**窗口中，从**计算**列表中拖放所需的字段，然后选择**保存**。
# 最大变化者计算
最大变化者计算按日期计算自动叙述的数据集中排名最高的请求类别数。例如，您可以创建一个计算，以按一个时间段内的销售收入查找最热卖产品。
要使用该函数，您需要在 **Time (时间)** 字段井中具有至少一个维度，并在 **Categories (类别)** 字段井中具有至少一个维度。
## 参数
*name*
您分配或更改的唯一描述性名称。如果您未创建自己的名称，则会分配一个名称。您可以稍后编辑它。
*类别*
您要排名的类别维度。
*值*
计算所基于的聚合度量。
*Number of results*
要查找的排名最高的项目数。
## 计算输出
每个函数都会生成一组输出参数。您可以将这些输出添加到自动叙述以自定义它显示的内容。您也可以添加自己的自定义文本。
要找到输出参数，请打开右侧的 **Computations (计算)** 选项卡并找到您要使用的计算。计算的名称来自您创建见解时提供的名称。请通过只单击一次来选择输出参数。如果您单击两次，您将两次添加相同的输出。以**粗体**显示的项目可用于叙述中。
**注意**
这些输出参数与最小变化者计算返回的输出参数相同。
+ `timeField` – 来自**时间**字段井。
+ `name` – 字段的格式化的显示名称。
+ `timeGranularity` – 时间字段粒度（**DAY**、**YEAR** 等等）。
+ `categoryField` – 来自**类别**字段井。
+ `name` – 字段的格式化的显示名称。
+ `metricField` – 来自**值**字段井。
+ `name` – 字段的格式化的显示名称。
+ `aggregationFunction` – 用于指标的聚合（**SUM**、**AVG** 等等）。
+ `startTimeValue` – 日期维度中的值。
+ `value` – 原始值。
+ `formattedValue` – 日期时间字段格式化的值。
+ `endTimeValue` – 日期维度中的值。
+ `value` – 原始值。
+ `formattedValue` – 日期时间字段格式化的绝对值。
+ `itemsCount` – 此计算中包含的项目数。
+ `items`: 最大变化的项目。
+ `categoryField` – 类别字段。
+ `value` – 类别字段的值（内容）。
+ `formattedValue` – 类别字段的格式化值（内容）。如果字段为 null，这显示“`NULL`”。如果字段为空，这显示“`(empty)`”。
+ `currentMetricValue` – 指标字段的当前值。
+ `value` – 原始值。
+ `formattedValue` – 指标字段格式化的值。
+ `formattedAbsoluteValue` – 指标字段格式化的绝对值。
+ `previousMetricValue` – 指标字段的先前值。
+ `value` – 原始值。
+ `formattedValue` – 指标字段格式化的值。
+ `formattedAbsoluteValue` – 指标字段格式化的绝对值。
+ `percentDifference` – 指标字段的当前值与先前值之间的百分比差异。
+ `value` – 百分比差异计算的原始值。
+ `formattedValue` – 百分比差异的格式化值（例如，-42%）。
+ `formattedAbsoluteValue` – 百分比差异的格式化绝对值（例如，42%）。
+ `absoluteDifference` – 指标字段的当前值与先前值之间的绝对差异。
+ `value` – 绝对差异计算的原始值。
+ `formattedValue` – 由指标字段的格式首选项中的设置格式化的绝对差异。
+ `formattedAbsoluteValue` – 指标字段格式化的差异的绝对值。
# 排名最高计算
排名最高计算按值查找排名最高的维度。例如，您可以创建一个计算，查找销售收入最高的三个州。
要使用该函数，您需要在 **Categories (类别)** 字段井中具有至少一个维度。
## 参数
*name*
您分配或更改的唯一描述性名称。如果您未创建自己的名称，则会分配一个名称。您可以稍后编辑它。
*类别*
您要排名的类别维度。
*值*
计算所基于的聚合度量。
*Number of results*
要查找的排名最高的项目数。
## 计算输出
每个函数都会生成一组输出参数。您可以将这些输出添加到自动叙述以自定义它显示的内容。您也可以添加自己的自定义文本。
要找到输出参数，请打开右侧的 **Computations (计算)** 选项卡并找到您要使用的计算。计算的名称来自您创建见解时提供的名称。请通过只单击一次来选择输出参数。如果您单击两次，您将两次添加相同的输出。以**粗体**显示的项目可用于叙述中。
**注意**
这些输出参数与排名最低计算返回的输出参数相同。
+ `categoryField` – 来自**类别**字段井。
+ `name` – 字段的格式化的显示名称。
+ `metricField` – 来自**值**字段井。
+ `name` – 字段的格式化的显示名称。
+ `aggregationFunction` – 用于指标的聚合（**SUM**、**AVG** 等等）。
+ `itemsCount` – 此计算中包含的项目数。
+ `items`：排名最高的项目。
+ `categoryField` – 类别字段。
+ `value` – 类别字段的值（内容）。
+ `formattedValue` – 类别字段的格式化值（内容）。如果字段为 null，这显示“`NULL`”。如果字段为空，这显示“`(empty)`”。
+ `metricValue` – 指标字段。
+ `value` – 原始值。
+ `formattedValue` – 指标字段格式化的值。
+ `formattedAbsoluteValue` – 指标字段格式化的绝对值。
# 聚合总量计算
聚合总量计算创建值的总计。例如，您可以创建一个计算来查找总收入。
要使用该函数，您需要在 **Time (时间)** 字段井中具有至少一个维度，并在 **Values (值)** 字段井中具有至少一个度量。
## 参数
*name*
您分配或更改的唯一描述性名称。如果您未创建自己的名称，则会分配一个名称。您可以稍后编辑它。
*值*
计算所基于的聚合度量。
## 计算输出
每个函数都会生成一组输出参数。您可以将这些输出添加到自动叙述以自定义它显示的内容。您也可以添加自己的自定义文本。
要找到输出参数，请打开右侧的 **Computations (计算)** 选项卡并找到您要使用的计算。计算的名称来自您创建见解时提供的名称。请通过只单击一次来选择输出参数。如果您单击两次，您将两次添加相同的输出。以**粗体**显示的项目可用于叙述中。
+ `categoryField` – 类别字段。
+ `name` – 类别字段的显示名称。
+ `metricField` – 来自**值**字段井。
+ `name` – 字段的格式化的显示名称。
+ `aggregationFunction` – 用于指标的聚合（**SUM**、**AVG** 等等）。
+ `totalAggregate` – 指标聚合的总值。
+ `value` – 原始值。
+ `formattedValue` – 指标字段格式化的值。
+ `formattedAbsoluteValue` – 指标字段格式化的绝对值。
# 唯一值计算
唯一值计算用于统计类别字段中的唯一值。例如，您可以创建一个计算来计算维度中唯一值数量，例如您拥有的客户数
要使用该函数，您需要在 **Categories (类别)** 字段井中具有至少一个维度。
## 参数
*name*
您分配或更改的唯一描述性名称。如果您未创建自己的名称，则会分配一个名称。您可以稍后编辑它。
*类别*
您要排名的类别维度。
## 计算输出
每个函数都会生成一组输出参数。您可以将这些输出添加到自动叙述以自定义它显示的内容。您也可以添加自己的自定义文本。
要找到输出参数，请打开右侧的 **Computations (计算)** 选项卡并找到您要使用的计算。计算的名称来自您创建见解时提供的名称。请通过只单击一次来选择输出参数。如果您单击两次，您将两次添加相同的输出。以**粗体**显示的项目可用于叙述中。
+ `categoryField` – 类别字段。
+ `name` – 类别字段的显示名称。
+ `uniqueGroupValuesCount` – 此计算中包含的唯一值的数量。
# 通过 ML 支持的异常检测功能检测异常值
Amazon Quick Sight 使用久经考验的亚马逊技术，对数百万个指标持续运行 ML 支持的异常检测，以发现数据中隐藏的趋势和异常值。该工具使您能够获得通常埋藏在聚合中，不能通过手动分析扩展得到的深刻洞察。有了 ML 支持的异常检测后，您可以在数据中查找异常值而无需手动分析、自定义开发或机器学习领域的专业知识。
如果Amazon Quick Sight检测到您可以分析异常情况或对数据进行一些预测，它会在您的视觉效果中通知您。
异常检测在 `eu-central-2` 欧洲（苏黎世）区域不可用。
**重要**
ML 支持的异常检测是一项计算密集型任务。在开始使用它之前，可以通过分析要使用的数据量来了解一下成本。我们提供了基于您每月处理的指标量的阶梯定价模型。
**Topics**
+ [异常或异常值检测的概念](anomaly-detection-outliers-and-key-drivers.md)
+ [针对异常值分析设置 ML 支持的异常检测](anomaly-detection-using.md)
+ [使用 ML 支持的异常检测和贡献分析探索异常值和关键驱动因素](anomaly-exploring.md)
# 异常或异常值检测的概念
Amazon Quick Sight 使用*异常*一词来描述不属于整体分布模式的数据点。异常是一个科学术语，还可以通过许多其他词汇表示，包括异常值、偏差、奇异值、例外值、不规则值、怪异值等。您使用的术语可以取决于所执行的分析类型，取决于使用的数据类型，甚至仅仅取决于团队的偏好。这些异常数据点代表了在某些方面异常的实体，即人物、地点、事物或时间。
人类很容易识别模式并发现与众不同的东西。我们的感官为我们提供了这些信息。如果模式很简单，并且只有少量数据，则可以轻松绘制图形来突出显示数据中的异常值。以下是一些简单的例子：
+ 几个蓝色气球中的一个红色气球
+ 一匹遥遥领先的赛马
+ 一个在课堂上走神的孩子
+ 在线订单数增加但发运减少的一天
+ 一个身体康复的人，而其他人没有
某些数据点表示重要事件，而其他数据点表示随机发生的事件。分析过程根据哪些驱动因素（关键驱动因素）对事件的发生有贡献，来发现值得调查的数据。问题对于数据分析至关重要。为什么会发生这件事？ 它与什么有关？ 事件只发生一次还是发生了多次？ 可以做些什么来鼓励或阻止与此类似的事件？
了解差异存在的方式和原因以及这些差异中是否存在模式，需要进行更多的探究。没有机器学习的帮助，每个人都可能得出不同的结论，因为每个人有不同的经验和信息。因此，每个人可能会做出稍有不同的业务决策。如果需要考虑大量的数据或变量，则所需的分析可能会相当多。
ML 支持的异常检测可识别因果关系和相关性，使您能够制定数据驱动的决策。您仍可以进行控制，定义希望作业如何处理您的数据。您可以指定自己的参数，并选择其他选项，例如在贡献分析中识别关键驱动因素。您也可以使用默认设置。以下部分将引导您完成设置过程，并提供有关可用选项的说明。
# 针对异常值分析设置 ML 支持的异常检测
使用以下各节中的步骤开始检测异常值、检测异常并识别导致异常的关键驱动因素。
**Topics**
+ [查看异常和预测通知](anomaly-detection-adding-from-visuals.md)
+ [添加 ML 洞察以检测异常值和关键驱动因素](anomaly-detection-adding-anomaly-insights.md)
+ [对关键驱动因素使用贡献分析](anomaly-detection-adding-key-drivers.md)
# 查看异常和预测通知
Amazon Quick Sight 会在视觉上通知您，它会检测到异常情况、关键驱动因素或预测机会。您可以按照提示设置异常检测或基于该视觉对象中的数据进行预测。
1. 在现有折线图中，在视觉对象小组件的菜单中查找洞察通知。
1. 选择灯泡图标以显示通知。
1. 如果您想了解有关 ML 洞察的更多信息，可以按照屏幕提示添加 ML 洞察。
# 添加 ML 洞察以检测异常值和关键驱动因素
您可以添加用于检测*异常*的 ML 洞察，异常是看似显著的异常值。要开始使用，您需要为自己的洞察创建一个小组件，也称为*自动叙述*。配置选项时，可以在屏幕右侧的**预览**窗格中查看洞察的有限屏幕截图。
在您的洞察小组件中，您最多可以添加五个不是计算字段的维度字段。在字段井中，**类别**的值表示 Amazon Quick Sight 用于拆分指标的维度值。例如，假设您正在分析所有产品类别和产品的收入 SKUs。有 10 个产品类别，每个类别有 10 个产品 SKUs。Amazon Quick Sight 按照 100 个唯一组合对指标进行拆分，并对拆分的每个组合进行异常检测。
以下步骤说明了如何执行此操作，以及如何添加贡献分析以检测导致每个异常的关键驱动因素。您可以稍后添加贡献分析，如 [对关键驱动因素使用贡献分析](anomaly-detection-adding-key-drivers.md) 中所述。
**设置异常值分析，包括主要驱动因素**
1. 打开您的分析，在工具栏中选择**见解**，然后选择**添加**。从列表中，选择 **Anomaly detection (异常检测)** 和 **Select (选择)**。
1. 按照新小部件上的屏幕提示操作，它会告诉您如何为见解选择字段。必须添加至少一个日期、一个度量和一个维度。
1. 在小部件上选择 **Get started (开始)**。此时将显示配置屏幕。
1. 在**计算选项**下，为以下选项选择值。
1. 对于**要分析的组合**，请选择以下选项之一：
1. **分层**
如果要按层次分析字段，请选择此选项。例如，如果您选择日期 (T)、度量 (N) 和三个维度类别（C1、C2 和 C3），Quick Sight 会按层次分析字段，如下所示。
```
T-N, T-C1-N, T-C1-C2-N, T-C1-C2-C3-N
```
1. **精确**
如果您只想分析“类别”字段井中列出的字段的精确组合，请选择此选项。例如，如果您选择日期 (T)、度量 (N) 和三个维度类别（C1、C2 和 C3），Quick Sight 将仅按类别字段的列出顺序分析它们的精确组合，如下所示。
```
T-C1-C2-C3-N
```
1. **全部**
如果您想分析“类别”字段井中的所有字段组合，请选择此选项。例如，如果您选择日期 (T)、度量 (N) 和三个维度类别（C1、C2 和 C3），Quick Sight 会分析所有字段组合，如下所示。
```
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
```
如果您只选择日期和度量，Quick Sight 会先按日期分析字段，然后按度量分析字段。
在**要分析的字段**部分中，您可以看到字段井中用于参考的字段列表。
1. 在**名称**中，输入不含空格的描述性字母数字名称，或者选择默认值。这为计算提供了名称。
如果您计划编辑自动显示在小部件上的叙述，则可以使用该名称来识别此小部件的计算。如果您计划编辑自动叙述，并且分析中有其他类似的计算时，可自定义名称。
1. 在**显示选项**部分，选择以下选项以自定义洞察小组件中显示的内容。无论显示什么，您仍然可以探索所有结果。
1. **要显示的最大异常数** – 要在叙述小组件中显示的异常值数量。
1. **严重性** – 要在洞察小组件中显示的异常的最低严重性级别。
*严重性级别* 是一个异常分数范围，其特征是该范围中包含的最低实际异常分数。所有分数较高的异常都包含在范围内。如果将严重性设置为**低**，则洞察会显示排名介于低和非常高之间的所有异常。如果将严重性设置为 **Very high (非常高)**，则见解仅显示具有最高异常分数的异常。
可以使用以下选项：
+ **非常高**
+ **高及以上**
+ **中等及以上**
+ **低及以上**
1. **方向** – 要识别为异常的值在 x 轴或 y 轴上的方向。可从以下选项中进行选择：
+ **高于预期**将较高的值识别为异常。
+ **低于预期**将较低的值识别为异常。
+ **[ALL]** 将识别所有异常值，包括高值和低值（默认设置）。
1. **增量** – 输入用于识别异常的自定义值。任何高于阈值的数量均视为异常。此处的值会更改分析中洞察的工作方式。在此部分，您可以设置以下内容：
+ **绝对值** – 要使用的实际值。例如，假设这个值是 48。然后，当一个值和预期值之间的差大于 48 时，Amazon Quick Sight 会将值识别为异常。
+ **百分比** – 要使用的百分比阈值。例如，假设这个值是 12.5%。然后，当值与预期值之间的差异大于 12.5% 时，Amazon Quick Sight 会将值识别为异常。
1. **排序依据** – 为结果选择排序方法。有些方法基于 Amazon Quick Sight 生成的异常分数。对于看起来异常的数据点，Amazon Quick Sight 会给出更高的分数。您可以使用以下任意选项：
+ **加权异常分数** – 异常分数乘以实际值和预期值之差的绝对值的对数。此分数始终是正数。
+ **异常分数** – 分配给此数据点的实际异常分数。
+ **与预期值的加权差** – 异常分数乘以实际值和预期值之差（默认）。
+ **与预期值的差** – 实际值与预期值之间的实际差（即，实际值-预期值）。
+ **实际值** – 未应用公式的实际值。
1. 在**计划选项**部分，您可以设置计划以自动运行洞察的重新计算。仅为已发布的控制面板运行计划。在分析中，您可以根据需要手动运行它。计划的安排包括以下设置。
+ **发生率** – 希望重新计算运行的频率：每小时、每天、每周或每个月。
+ **计划开始时间** – 开始运行此计划的日期和时间。
+ **时区** – 在其中运行计划的时区。要查看列表，请删除当前条目。
1. 在 “**最佳贡献者**” 部分，将 Amazon Quick Sight 设置为在检测到异常值（异常）时分析关键驱动因素。
例如，Amazon Quick Sight可以显示促成美国家居装修产品销售激增的主要客户。您最多可以从数据集中添加四个维度。这些维度包括您未添加到此洞察小组件的字段井中的维度。
对于可用于贡献分析的维度列表，请选择**选择字段**。
1. 选择**保存**以确认您的选择。选择 **Cancel (取消)** 退出而不保存。
1. 从洞察小组件中，选择**立即运行**以运行异常检测并查看您的洞察。
异常检测完成所需的时间取决于要分析的唯一数据点的数量。此过程可能需要几分钟时间（对于最小点数），也可能需要数小时。
当它在后台运行时，您可以对分析执行别的操作。对于此洞察，确保等待它完成，然后再更改配置、编辑叙述或打开**探索异常**页面。
洞察小组件需要至少运行一次才能看到结果。如果您认为状态可能已过期，可以刷新页面。洞察可能为以下状态之一。
| 页面上显示 | Status |
| --- | --- |
| Run now (立即运行) 按钮 | 该作业尚未开始。 |
| 关于 Analyzing for anomalies (分析异常) 的消息 | 作业当前正在运行。 |
| 关于检测到的异常（异常值）的叙述 | 作业已成功运行。该消息显示此小部件的计算上次更新时间。 |
| 带有感叹号的警报图标（\$1） | 此图标表示上次运行期间出现错误。如果还显示叙述，您仍可以使用 Explore anomalies (探索异常) 来使用上一次成功运行的数据。 |
# 对关键驱动因素使用贡献分析
Amazon Quick Sight 可以识别导致两个时间点之间度量（指标）异常值的维度（类别）。导致异常值的关键驱动因素可以帮助您回答这个问题：是什么原因导致了这种异常？
如果您已经在不使用贡献分析的情况下使用异常检测，则可以启用现有的 ML 洞察来查找关键驱动因素。使用以下步骤添加贡献分析并识别异常值背后的关键驱动因素。您的异常检测洞察需要包括一个时间字段和至少一个聚合指标（SUM、AVERAGE 或 COUNT）。如果您愿意，可以包含多个类别（维度字段），但也可以在不指定任何类别或维度字段的情况下运行贡献分析。
您还可以使用此过程更改或删除作为异常检测关键驱动因素的字段。
**添加贡献分析以识别关键驱动因素**
1. 打开您的分析并找到用于异常检测的现有 ML 洞察。选择洞察小组件以将其突出显示。
1. 从视觉对象的菜单中选择**菜单选项**（**…**）。
1. 选择**配置异常**以编辑设置。
1. **贡献分析（可选）**设置允许 Amazon Quick Sight 在检测到异常值（异常）时分析关键驱动因素。例如，Amazon Quick Sight可以向您显示促成美国家居装修产品销售激增的主要客户。您可以从数据集中添加最多四个维度，包括未添加到此见解小部件的字段井中的维度。
要查看可用于贡献分析的维度列表，请选择 **Select fields (选择字段)**。
如果要更改用作关键驱动因素的字段，请更改此列表中启用的字段。如果您全部禁用，Quick Sight 将不会在此洞察中执行任何贡献分析。
1. 要保存更改，请滚动到配置选项底部，然后选择**保存**。要退出而不保存，请选择**取消**。要完全移除这些设置，请选择**删除**。
# 使用 ML 支持的异常检测和贡献分析探索异常值和关键驱动因素
您可以通过交互方式探索分析中的异常（也称为异常值）以及贡献因素（关键驱动因素）。可在 ML 支持的异常检测运行后探索该分析。您在此屏幕中所做的更改，在返回分析时不保存。
首先，在洞察中选择**探索异常**。以下屏幕截图显示了首次打开异常屏幕时显示的画面。在此示例中，设置了贡献者分析，并显示了两个关键驱动因素。
![\[显示了贡献者的异常分析。\]](http://docs.aws.amazon.com/zh_cn/quick/latest/userguide/images/anomaly-exploration-v2.png)
屏幕的各个部分从左上到右下包括以下内容：
+ **贡献者**显示关键驱动因素。要查看此部分，您需要在异常配置中设置贡献者。
+ **控件**包含异常探索的设置。
+ **异常的数量**显示一段时间内检测到的异常值。您可以隐藏或显示此图表部分。
+ 您的类别或维度字段的**字段名称**用作显示每个类别或维度异常的图表的标题。
以下部分提供探索异常的各个方面的详细信息。
**Topics**
+ [探索贡献者（关键驱动因素）](exploring-anomalies-key-drivers.md)
+ [异常检测的设置控件](exploring-anomalies-controls.md)
+ [按日期显示和隐藏异常](exploring-anomalies-by-date.md)
+ [按类别或维度探索异常](exploring-anomalies-per-category-or-dimension.md)
# 探索贡献者（关键驱动因素）
如果您的异常洞察设置为检测关键驱动因素，Quick Sight 会运行贡献分析以确定哪些类别（维度）正在影响异常值。**贡献者**部分显示在左侧。
**贡献者**包含以下部分：
+ **叙述** – 左上角有一个摘要，描述了指标的任何变化。
+ **排名靠前的贡献者配置** – 选择**配置**来更改要在此部分中使用的贡献者和日期范围。
+ **排序依据** – 设置应用于下面显示的结果的排序。可从以下选项中进行选择：
+ **Absolute difference (绝对差异)**
+ **Contribution percentage (贡献百分比)**（默认）
+ **Deviation from expected (与预期的偏差)**
+ **Percentage difference (差额百分比)**
+ **排名靠前的贡献者的结果** – 显示在右侧时间轴上选择的时间点的最高贡献者分析的结果。
贡献分析可识别某个异常的最多四个主要的贡献因素或关键驱动因素。例如，Amazon Quick Sight 可以向您显示促成美国健康产品销售激增的主要客户。当您配置异常时，只有选择在贡献分析中包括字段时才会显示此面板。
如果此面板未显示而您希望显示，则可以开启它。为此，请转到分析，从洞察的菜单中选择异常配置，然后最多选择四个字段来分析贡献。如果您在排除贡献驱动因素的工作表控件中进行更改，则**贡献**面板将关闭。
# 异常检测的设置控件
您可以在屏幕的**控件**部分找到异常检测的设置。您可以通过单击**控件**一词打开和关闭此部分。
其中包括以下设置：
+ **控件** – 当前设置显示在工作区的顶部。您可以通过选择右侧的双箭头图标展开此部分。以下设置可用于探索由 ML 支持的异常检测生成的异常值：
+ **严重性** – 设置探测器对检测到的异常（异常值）的敏感程度。在将阈值设置为**低及以上**时，将会看到较多的异常；在将阈值设置为**高及以上**时，将会看到较少的异常。这种灵敏度是根据 RCF 算法生成的异常分数的标准偏差确定的。默认设置为**中等及以上**。
+ **方向** – 要识别为异常的值在 x 轴或 y 轴上的方向。默认值为 [ALL]。您可以选择以下选项：
+ 设置为**高于预期**，以将较高的值识别为异常。
+ 设置为**低于预期**，以将较低的值识别为异常。
+ 设置为 **[ALL]**，以识别所有异常值，包括高值和低值。
+ **最小差值 – 绝对值** – 输入一个自定义值，用作识别异常的绝对阈值。任何高于此值的数量均视为异常。
+ **最小差值 – 百分比** – 输入一个自定义值，用作识别异常的百分比阈值。任何高于此值的数量均视为异常。
+ **排序依据** – 选择要用于对异常进行排序的方法。它们在屏幕上按首选顺序列出。查看以下列表，了解每种方法的描述。
+ **加权异常分数** – 异常分数乘以实际值和预期值之差的绝对值的对数。此分数始终是正数。
+ **异常分数** – 分配给此数据点的实际异常分数。
+ **与预期值的加权差** –（默认）异常分数乘以实际值和预期值之差。
+ **与预期值的差** – 实际值与预期值之间的实际差（实际值-预期值）。
+ **实际值** – 未应用公式的实际值。
+ **类别** – 一个或多个设置可以出现在其他设置的末尾。对于您添加到类别字段井的每个类别字段，都有一个对应的设置。您可以使用类别设置限制屏幕中显示的数据。
# 按日期显示和隐藏异常
**异常的数量**图表显示一段时间内检测到的异常值。如果您没有看到此图表，则可以通过选择**按日期显示异常**来显示此图表。
此图表显示了时间序列中最新数据点的异常（异常值）。展开后，它会显示以下组件：
+ **异常** – 屏幕中间显示时间序列中最新数据点的异常。显示一个或多个图形，其中一个图表显示指标随时间的变化。要使用此图形，请选择时间轴上的一个点。当前选择的时间点在图形中突出显示，并包括一个菜单，提供对当前指标的贡献进行分析的选项。您也可以不选择特定点，而是将光标拖到时间轴上，显示该时间点的指标值。
+ **按日期显示异常** – 如果选择**按日期显示异常**，则另一个图形将显示每个时间点有多少显著异常。可以在此图表中查看每个条的上下文菜单的详细信息。
+ **时间轴调整** – 每个图形在日期下都有一个时间轴调整工具，您可以使用该工具压缩、展开或选择要查看的时间段。
# 按类别或维度探索异常
**探索异常**屏幕的主要部分锁定在屏幕的右下角。无论屏幕上有多少其他部分处于打开状态，它都会一直留在此处。如果存在多个异常，则可以向外滚动以突出显示。该图表按颜色范围显示异常，并显示它们在一段时间内的发生位置。
![\[探索异常屏幕。\]](http://docs.aws.amazon.com/zh_cn/quick/latest/userguide/images/anomaly-exploration-1.png)
每个类别或维度都有一个单独的图表，该图表使用字段名称作为图表标题。每个图表都包含以下组件：
+ **配置警报** – 如果您正在从控制面板中探索异常，请选择此按钮订阅警报和贡献分析（如果已配置）。您可以为严重性级别（中、高，等等）设置警报。您可以获得 **Higher than expected (高于预期)**、**Lower than expected (低于预期)** 或“ALL (全部)”的前五个警报。控制面板读取器可以为自己配置警报。如果您已从分析中打开**探索异常**页面，则该页面不会显示此按钮。
**注意**
配置警报的功能仅在已发布的控制面板中可用。
+ **状态** – 在**异常**标头下方，状态标签显示有关上次运行的信息。例如，您可能会看到“2018 年 11 月 17 日的收入异常”。此标签告诉您有多少指标被处理，在多久前处理的。您可以选择该链接来了解详细信息，例如忽略了多少指标。
# 使用 Amazon Quick Sight 预测和创建假设情景
使用机器学习支持的预测，您可以简单地预测关键业务指标。point-and-click 无需机器学习方面的专业知识。Amazon Quick Sight 中的内置机器学习算法旨在处理复杂的现实场景。Amazon Quick Sight 使用机器学习来帮助提供比传统方式更可靠的预测。
例如，假设您是一位业务经理。您要预测销售额，看看到年底能否完成销售目标。或者，假设您预计两周内会有笔大交易，您想知道这将如何影响您的整体预测。
您可以使用多个季节性级别来预测您的业务收入（例如，具有每周和季度趋势的销售额）。Amazon Quick Sight 会自动排除数据中的异常情况（例如，价格下跌或促销导致的销售激增），使其不影响预测。您也不必清理和重新准备缺失值的数据，因为 Amazon Quick Sight 会自动处理这个问题。此外，借助 ML 支持的预测，您可以执行交互式假设分析，以确定满足业务目标所需的增长轨迹。
## 使用预测和假设情景
可以将预测小部件添加到现有分析中，并将其发布为控制面板。要分析假设情景，请使用分析，而不是控制面板。借助 ML 支持的预测，Amazon Quick Sight 使您能够预测复杂的真实场景，例如具有多个季节性的数据。它会自动排除那些标识为和推定为缺失值的异常值。
使用以下过程将图形预测添加到分析中，并探索假设情景。
尽管以下过程用于图形预测，但您也可以在洞察小组件中添加预测作为叙述。要了解更多信息，请参阅[使用 Amazon Quick Sight 创建自动叙事](narratives-creating.md)。
基于机器学习的预测与[小](small-multiples.md)倍数不兼容。为确保准确显示数据和预测，请避免在可视化中使用小倍数。
**向分析中添加图形预测**
1. 创建使用单个日期字段和最多三个指标（度量）的视觉对象。
1. 在视觉对象右上角的菜单上，选择**菜单选项**图标（三个点），然后选择**添加预测**。
Quick Sight 使用 ML 自动分析历史数据，并显示未来 14 个周期的图形预测。预测属性适用于视觉对象中的所有指标。如果您想对每个指标进行单独的预测，可以考虑为每个指标创建单独的视觉对象，并为每个指标添加预测。
![\[折线图视觉对象的图像，其中预测了三个指标。\]](http://docs.aws.amazon.com/zh_cn/quick/latest/userguide/images/forecast2.png)
1. 在左侧的**预测属性**面板上，自定义一个或多个以下设置：
+ **预测长度** – 设置**未来的期间**进行预测，设置**过去的期间**查找预测所基于的模式。
+ **预测间隔** – 设置预测的估计范围。这将改变围绕预测线的可能性范围的宽度。
+ **季节性** – 设置可预测的季节性数据模式所涉及的时间段数。范围为 1–180，默认设置为**自动**。
+ **预测边界** – 设置最小和/或最大预测值，以防止预测值高于或低于指定值。例如，如果您的预测预测公司下个月将招聘的新员工人数为负数，则可以将预测边界最小值设置为零。这可以防止预测值降至零以下。
要保存更改，选择 **Apply (应用)**。
如果您的预测包含多个指标，则可以通过选择橙色区间内的任意位置来隔离其中一个预测。执行该操作时，其他预测将消失。再次选择隔离的预测区间以使其重新出现。
1. 通过在图表上选择预测的数据点（橙色波段中），然后从上下文菜单中选择 **What-if analysis (假设分析)** 来分析假设情景。
**假设分析**面板在左侧打开。设置以下选项：
+ **情景** – 设置日期的目标，或设置时间范围的目标。
+ **日期** – 如果您要为特定日期设置目标，请在此处输入该日期。如果您使用的是时间范围，则设置开始日期和结束日期。
+ **目标** – 为指标设定目标值。
Amazon Quick Sight 会调整预测以实现目标。
**注意**
**假设分析**选项不可用于多指标预测。如果您想对预测执行假设情景，则视觉对象应仅包含一个指标。
1. 通过选择 **Apply (应用)** 来保留更改。要放弃更改，请关闭 **What-if analysis (假设分析)** 面板。
如果保留更改，则您会看到针对目标而调整的新预测和无假设时的原始预测。
假设分析在视觉对象上表示为指标线上的一个点。您可以将鼠标悬停在预测线的数据点上来查看详细信息。
以下是您可以执行的其他操作：
+ 要与假设分析交互或删除假设分析，请选择指标线上的点。
+ 要创建其他假设情景，请先关闭假设分析，然后在指标线上选择新点。
**注意**
假设分析只能存在于分析中，不能存在于控制面板中。