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。
最佳实践
了解最小日期范围
至少使用 14 天作为训练数据持续时间。但是，在许多情况下，我们建议您包含更长时间的数据。
确保您的训练数据集跨越资产在所有正常运行模式下运行的时间段。这种方法有助于 Amazon IoT SiteWise 准确区分预期行为和真实异常。
如果您的训练数据不能代表所有典型的操作模式，则 Amazon IoT SiteWise 可能会错误地将不熟悉但正常的模式标记为异常，从而增加误报。
高频数据采样以及训练和推理之间的一致性
如果您的传感器生成数据的频率高于 1 Hz（每秒读数超过一次），请在训练期间应用采样。采样可以减少数据量，同时保留基本趋势，从而实现高效处理，并通过最大限度地减少噪声或瞬态波动的影响来改善模型概括。
Amazon IoT SiteWise 原生异常检测目前不支持以低于 1 Hz 的速率摄取的数据。在配置异常检测之前，请验证您的数据是否满足此最低频率要求。
此外，还可以 Amazon IoT SiteWise 使用您在训练期间配置的采样率进行推理。为保持一致性并确保异常检测结果准确，请选择与您的操作需求和传感器数据行为相一致的采样率。
有关如何设置采样率的更多详细信息，请访问采样率配置。
标签建议
对异常进行准确、一致的标注对于有效的模型评估和持续改进至关重要。标记异常时，请考虑以下最佳实践：
-
整合相关的异常：如果密切发生的异常属于同一个潜在问题，则不要将它们标记为单独的事件。例如，如果异常发生在 1-2 天内，并且驱动这些异常的根本原因相同，则将其视为单个异常窗口。这种方法可以帮助模型更好地了解异常行为的模式，并减少评估数据中的噪音。
-
标记异常窗口，而不仅仅是点：与其将单个数据点标记为异常，不如将反映从偏差开始到恢复的异常行为的整个窗口进行标记。这种方法提供了更清晰的界限，并改善了模型与实际操作问题的一致性。
-
排除不确定的时期：如果您不确定某个时期是否异常，请将其置于未标记状态。模棱两可的标签会混淆模型并随着时间的推移降低其准确性。
有关如何添加标签的更多详细信息，请访问给你的数据加标签。