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。

# 檢閱推論結果
<a name="reviewing-inference-results"></a>

## 擷取推論結果
<a name="retrieving-inference-results"></a>

### 最新的推論結果
<a name="get-latest-inference-results"></a>

執行下列命令來擷取資產屬性的最新推論結果。如需詳細資訊，請參閱《 *AWS CLI 命令參考指南*》中的 [ get-asset-property-value](https://docs.aws.amazon.com/cli/latest/reference/iotsitewise/get-asset-property-value.html)。

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

### 推論結果歷史記錄
<a name="get-inference-results-history"></a>

執行下列命令，以擷取指定時段的推論結果歷史記錄。如需詳細資訊，請參閱《 *AWS CLI 命令參考指南*》中的 [ get-asset-property-value-history](https://docs.aws.amazon.com/cli/latest/reference/iotsitewise/get-asset-property-value-history.html)。

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

### 回應範例
<a name="example-response"></a>

**Example 推論結果回應的 ：**  

```
{
  "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"
}
```

### 回應欄位
<a name="response-fields"></a>
+ **value.stringValue** – JSON 字串，其中包含具有下列欄位的推論結果：
  + **時間戳記** – 執行推論的 TQV 時間戳記。
  + **預測** – 預測結果 (0 表示未偵測到異常，1 表示偵測到異常）。
  + **prediction\$1reason** – 預測的原因 (`NO_ANOMALY_DETECTED` 或 `ANOMALY_DETECTED`)。
  + **診斷** – 診斷資訊的陣列，顯示促成因素。
+ **時間戳記** – 記錄結果的時間戳記 AWS IoT SiteWise。
+ **quality** – 資料點的品質 （通常為 `GOOD`)。

## 了解推論結果
<a name="understanding-inference-results"></a>

 AWS IoT SiteWise 異常偵測傳回的推論結果包含有關模型在特定時間戳記預測的重要資訊，包括是否偵測到異常以及哪些感應器導致異常。

**Example 詳細的推論結果：**  

```
{
    "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 }
    ]
}
```

`diagnostics` 欄位有助於解釋模型進行特定預測*的原因*。清單中的每個項目都包含：
+ `name`：促成預測的感應器 （格式：`asset_id\\\\property_id`)。
+ `value`：介於 0 和 1 之間的浮點數，代表該感應器在該時間點的**相對權重或重要性**。

使用者優點：
+ 了解哪些感應器對異常的影響最大。
+ 將高重量感應器與實體設備行為建立關聯。
+ 通知根本原因分析。

**注意**  
即使 `prediction = 0`（正常行為），也會傳回診斷清單。這有助於評估哪些感應器目前影響模型的決策，即使在運作狀態良好也一樣。