Ein ML-Ingenieur verwendet die Amazon QuickSight-Anomalieerkennung, um sehr hohe oder sehr niedrige Maschinenbetriebstemperaturen im Vergleich zum Normalwert zu kennzeichnen. Die Schweregrad ist auf „Niedrig und höher“ und die Richtung auf „Alle“ eingestellt. Wenn der Ingenieur die Richtung auf „Niedriger als erwartet“ ändert, welcher Effekt wird bei den Anomalieerkennungsergebnissen beobachtet?

Wenn die Richtung der Anomalieerkennung von "Alle" auf "Niedriger als erwartet" geändert wird, konzentriert sich QuickSight nur noch auf Abweichungen, die unterhalb des erwarteten Bereichs liegen. Zuvor wurden sowohl über- als auch unterschrittene Werte als Anomalien betrachtet. Durch diese Einschränkung werden weniger Anomalien identifiziert, da die oberen Ausreißer nicht mehr berücksichtigt werden. Infolgedessen sinkt der Recall, da das System nun weniger der tatsächlich vorhandenen Anomalien (insbesondere die hohen Temperaturen) erkennt. Die anderen Optionen sind falsch, da eine Einschränkung der Erkennungsrichtung immer zu weniger erkannten Anomalien führt und somit den Recall reduziert, nicht erhöht.