本文介绍创建智能巡检作业后，未捕捉到时序数据中异常事件的原因。
异常事件发生在创建智能巡检作业之前。
历史数据只用于模型训练，模型不会对历史数据输出异常事件。
创建智能巡检作业后，模型还未消费足够多的数据。
模型至少消费200个数据点后才输出异常事件。
创建智能巡检作业后，非指标化的数据延时到达，而模型消费进度已超前。
您可以在创建智能巡检作业时，将数据延时设置为更大的时间。具体操作，请参见通过SQL聚合指标数据进行实时检测。
模型输出的异常分数小于等于0.5 。
只有数据点的异常分数大于0.5，模型才会输出异常事件。
排查以上原因后，如果还未解决，请提交工单。
本文介绍创建智能巡检作业后，未捕捉到时序数据中异常事件的原因。 异常事件发生在创建智能巡检作业之前。 历史数据只用于模型训练，模型不会对历史数据输出异常事件。
本文介绍如何设置数据特征中的最小值和最大值。 数据特征中的最小值和最大值是指当前指标在极端情况下最大可接受的边界。当指标值超出该边界时，模型判断该指标异常，并产生异常事件。该异常事件具备最高异常分数（1.0），将触发告警。如果指标值在最小值和最大值范围内，模型会自动拟合数据分布和变化趋势，当数据波动
一个数据源（日志库或时序库）中会存在很多字段，用于智能巡检。本文介绍如何合理选择字段用于配置数据特性。 您在配置数据特征时，可选择数据类型为指标化数据或非指标化数据，两者的数据特征配置不同。
日志异常分析算法从创建任务时开始运行，其中算法模型需要经过一段时间的初始化训练后才能进行异常检测。您需要通过时间窗口数量和时间窗口长度指定合适的初始化时间。 合适的初始化时间，可以使算法模式在初始化阶段分析到大多数的日志类别，有利于更好的异常检测。一般日志是周期性生成的，所以初始化时间需与日志生成的
