placeholder_type=wf.PlaceholderType.STR, default="0.002", description="训练的学习率策略(10:0.001,20:0.0001代表0-10个epoch学习率0.001，10-20epoch学习率0.0001),如果不指定epoch

查看更多 →

positive_category 否 二分类任务的正样本。 无 样例 数据样本 鸢尾花数据集，species列代表鸢尾花种类，共有Iris-setosa、Iris-versicolor和Iris-virginica三种类别，每种类别样本数量为50。 配置流程 运行流程 参数设置 结果查看

查看更多 →

文件管理 文件管理是 可信智能计算 服务提供的一项管理联邦学习模型文件的功能。参与方无需登录后台手动导入模型文件，通过该功能即可将模型文件上传到数据目录，并支持批量删除。在创建联邦学习作业时可以选到上传的脚本模型等文件，提高了易用性及可维护性。 使用场景：管理联邦学习作业所需的脚本、模型、权重文件。

查看更多 →

可信联邦学习作业 可信联邦学习作业是可信智能计算服务提供的在保障用户数据安全的前提下，利用多方数据实现的联合建模，曾经也被称为联邦机器学习。 横向联邦机器学习 横向联邦机器学习，适用于参与者的数据特征重叠较多，而样本ID重叠较少的情况，联合多个参与者的具有相同特征的多行样本进行联邦机器学习，联合建模。

查看更多 →

使用MLS预置算链进行机器学习建模 本章节介绍如何通过一键运行预置的餐厅经营销售量预测算链，完成建模，帮助开发者快速了解MLS的建模过程。 前提条件 已经创建一个基于MLStudio的Notebook镜像，并进入MLS Editor可视化编辑界面，具体参考进入ML Studio操作界面章节。

查看更多 →

样本对齐 单击右下角的下一步进入“样本对齐”页面，这一步是为了进行样本的碰撞，过滤出共有的数据交集，作为后续步骤的输入。企业A需要选择双方的样本对齐字段，并单击“对齐”按钮执行样本对齐。执行完成后会在下方展示对齐后的数据量及对齐结果路径。 父主题： 使用 TICS 可信联邦学习进行联邦建模

查看更多 →

工序下的采集样本、AI训练样本和学习案例样本数量；子任务展示当前子任务下所有工序的采集样本、AI训练样本和学习案例样本数量；任务展示当前任务下所有子任务的采集样本、AI训练样本和学习案例样本数量。 图5 “样本库”页签 图6 “AI训练样本”页签 图7 “学习案例样本”页签 在“

查看更多 →

样本对齐支持PSI算法 纵向联邦作业中支持对两方数据集进行样本对齐，在不泄露数据隐私的情况下计算出双方共有的数据，并将共有的数据作为后续特征选择、模型训练的数据集。 公测 创建纵向联邦学习作业 2021年3月 序号 功能名称 功能描述 阶段 相关文档 1 纵向联邦学习 纵向联邦机

查看更多 →

在左侧导航树上依次选择“作业管理 > 可信联邦学习”，打开可信联邦学习作业页面。 在“可信联邦学习”页面，单击“创建”。 图1 创建作业 在弹出的对话框中单击“纵向联邦”按钮，编辑“作业名称”等相关参数，完成后单击“确定”。 目前，纵向联邦学习支持“XGBoost”、“逻辑回归”、“F

查看更多 →

样本管理 查询样本列表 查询单个样本详情 批量删除样本 父主题： 数据管理

查看更多 →

方库，尤其是基于PySpark的融合机器学习相关的大数据分析程序。传统上，通常是直接基于pip把Python库安装到执行机器上，对于 DLI 这样的Serverless化服务用户无需也感知不到底层的计算资源，那如何来保证用户可以更好的运行他的程序呢？ DLI服务在其计算资源中已经内置

查看更多 →

批量删除样本 功能介绍 批量删除样本。 调试 您可以在API Explorer中调试该接口，支持自动认证鉴权。API Explorer可以自动生成SDK代码示例，并提供SDK代码示例调试功能。 URI POST /v2/{project_id}/datasets/{dataset

查看更多 →

批量删除样本 根据样本的ID列表批量删除数据集中的样本。 dataset.delete_samples(samples) 示例代码 批量删除数据集中的样本 from modelarts.session import Session from modelarts.dataset import

查看更多 →

数据源所在路径。 data_type 否 Integer 数据类型。可选值如下： 0：OBS桶（默认值） 1： GaussDB (DWS)服务 2：DLI服务 3：RDS服务 4： MRS 服务 5：AI Gallery 6：推理服务 schema_maps 否 Array of SchemaMap

查看更多 →

，可帮助开发者快速构建具有实用价值的机器学习应用。 MLS为AI开发者提供可视化的操作界面来编排机器学习模型的训练、评估和预测的过程，无缝衔接数据分析和预测应用，为用户的数据挖掘分析业务提供易用、高效、高性能的工具。 了解概念 算子 在MLS中，算子是一种基本功能单元，以ipyn

查看更多 →

Studio操作界面章节。 Step1 创建一个空算链 单击Launcher界面的MLS Editor，选择名为PySpark-2.4.5的Kernel，创建一个空的算链。 创建算链后，左侧界面自动跳转到资产预览界面。 图1 算链创建成功 Step2 使用ML Studio建模 从左侧资产浏览界面

查看更多 →

行更新。 学习率：优化算法的参数，决定优化器在最优方向上前进步长的参数。默认0.001。 初始梯度累加和：梯度累加和用来调整学习步长。默认0.1。 ftrl：Follow The Regularized Leader 适用于处理超大规模数据的,含大量稀疏特征的在线学习的常见优化算法。

查看更多 →

，帮助开发者快速了解MLS的基本能力。 如果您想快速了解MLS的建模过程，您可以参考使用MLS预置算链进行机器学习建模章节，一键运行预置算链完成建模。 如果您了解如何从0到1在MLS上新建1条算链并完成建模，您可以参考从0到1利用ML Studio进行机器学习建模章节。该教程可以帮助您全面了解ML

查看更多 →

e为pyspark中的DataFrame类型对象 输出 数据集 参数说明 参数 子参数 参数说明 select_columns_str - 列名组成的格式化字符串，例如： "column_a" "column_a,column_b" n_estimators - 基学习器的数量，默认为100

查看更多 →

型。 在“参数配置”填写“学习率”、“训练轮次”和“分批训练样本数”。 “学习率”用来控制模型的学习速度，范围为(0,1]。 “训练轮次”指模型训练中遍历数据集的次数。 “分批训练样本数”又叫批尺寸（Batch Size），指一次训练所抓取的数据样本数量，影响训练速度及模型优化效果。

查看更多 →

000+00:00", "result_ext" : null } 状态码 状态码 描述 200 查询样本对齐结果成功 401 操作无权限 500 内部服务器错误 父主题： 联邦学习作业管理

查看更多 →