日志服务 SLS 智能异常分析 APP 提供自动化、智能化模型训练能力，可以根据设定的历史数据区间进行监督建模。您可以使用模型训练任务通过监督的方式加强对自身数据的异常学习，来提升未来的异常预警的准确率，模型训练任务主要有以下优势：
-
直接使用SLS的智能巡检功能，准确率不及预期，可以选择使用SLS的模型训练任务，来提升异常检测的准确性
-
智能巡检检测出来的异常和您所认为的异常之间可能存在gap，这种情况也建议您通过有监督的模型训练任务来自适应的检测所需要的异常类型。
阅读本文之前请先阅读：
流程概述
不同点主要为两个部分
-
数据形态：没有异常标签
-
数据特征配置不同
对于注入异常的方式，推荐数据是长期平稳的状态，在注入异常阶段尽量是无其他异常状态。
数据特征配置
这里采用的是我们SLS控制台的各种方法的延时来做演示。
-
时间： 对应于时间列，以及时间粒度
-
实体： 实体维度选择
-
特征： 特征列选择
-
注入结果：
-
保存： 将注入异常后的结果数据保存在project: 源project logstore: 源logstore_withlabel中（举例说明：若数据源配置中的project为sls-test-demo，logstore为sls-test-logstore，则存储的数据位于project为sls-test-demo，logstore为sls-test-logstore_withlabel中)
-
不保存：将注入异常后的结果数据不保存
-
异常率：注入异常的数量所占数据总量的比例，随机均匀分布在整个数据集上的，大小范围为 [0.00001,0.01]
如果训练集时间为14天，验证集为7天，时间粒度为60s，异常率为0.001 则：
N_Train = 14 * 24 * 60 ， N_Val = 7 * 24 * 60
N_Train_Anomaly = N_Train * 0.001 , N_Val_Anomaly = N_Val * 0.001
-
注入异常的类型：多选， 目前支持四种异常注入的类型：极值异常、趋势异常、漂移异常、方差异常。具体可以参考： https://help.aliyun.com/document_detail/356475.html?spm=a2c4g.419503.0.0.3b03663cF9s5Fn
效果展示
实体1：
实体2：
