衡。 precision：精确率，又被称为查准率，是针对预测结果而言的。含义为在被预测为正的样本中实际为正样本的概率。 recall：召回率，又被称为查全率，是针对原样本而言的。含义为在实际为正的样本中被预测为正样本的概率。 support：每类标签出现的次数。 父主题： 模型训练

查看更多 →

时序预测学件 创建项目 时序预测 父主题： 学件开发指南

查看更多 →

删除批量预测作业 删除批量预测作业 用户登录进入计算节点页面。 在左侧导航树上依次选择“作业管理 > 联邦预测”，打开联邦预测作业页面。 在“联邦预测”页面批量预测，查找待删除的作业，单击“删除”。 删除操作无法撤销，请谨慎操作。 图1 删除作业 父主题： 批量预测

查看更多 →

编辑批量预测作业 用户登录进入计算节点页面。 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“联邦预测”页面，选择批量预测的Tab页，找到待开发的作业，单击“开发”。 图1 开发作业 在弹出的对话框中编辑“选择模型”。只允许选择模型，其它作业参数暂时不支持修改。

查看更多 →

在左侧导航树上依次选择“作业管理 > 联邦预测”，打开联邦预测作业页面。 在“联邦预测”页面，选择实时预测的Tab页，单击创建。 图1 创建作业 在弹出的对话框中编辑“作业名称”，选择“算法类型”。 选择“算法类型”之后，勾选“选择训练作业”列表中的某一训练作业，然后勾选“选择模型”列表中对

查看更多 →

联邦预测作业管理 查询联邦预测作业列表 查询训练作业下的成功模型 父主题： 计算节点API

查看更多 →

客户端出现概率性超时错误 针对低概率超时错误，是Redis使用的正常现象。Redis使用受到网络传输、客户端设置超时时间等因素影响，可能出现单个请求超时问题。 建议客户业务编码时，具备重试操作，提升业务的可靠性，避免低概率的单次请求失败时业务失败。 当出现了连接超时问题时，可以优

查看更多 →

label_col - 目标列 probability_col - 输入预测数据集的概率列的列名 prediction_index_col - 输入预测数据集的预测label 标签列的列名 label_index_col - 输入预测数据集的真实label标签列的列名 样例 inputs = {

查看更多 →

analysis（预测分析）等。 model_type 是 String 模型AI引擎，表明模型使用的计算框架，支持常用AI框架和“Image”。 可选的常用AI框架请参见推理支持的AI引擎。 当model_type设置为Image，表示以 自定义镜像 方式创建AI应用，此时swr_

查看更多 →

还是对开发者增加了隐含约束，比如：流量预测服务曾遇到模型被覆盖的问题。 对入口文件“custom_service.py”的实现方式有约束，必须实现特定的接口，如：TensorflowService。如果推理服务不使用Tensorflow引擎，实现起来效果不理想。 仅支持提供一个推

查看更多 →

商机管理 商机2.0页面，可以新建和查看商机，包含预计成交时间，投标时间，商机金额，客户预算和赢单概率等 图4 商机管理 销售预测 销售预测页面，可以新建和查看上报销售预测数据。 图5 销售预测 决策分析 数据驾驶舱页面，可以查看销售数据，客户目标完成情况，产品目标完成情况，客户洞察，

查看更多 →

engines结构数组 引擎规格参数列表，如表4所示。 表4 engines属性列表说明 参数 参数类型 说明 engine_type integer 训练作业的引擎类型。 1：TensorFlow。 2：MXNet。 4：Caffe。 5：Spark_MLlib 6: Scikit Learn

查看更多 →

总降水量(毫米)。 能见度 能见度(千米)。 湿度 湿度(百分比)。 是否下雨 是否下雨，0为否，1为是。 下雨概率 下雨概率(百分比)。 是否下雪 是否下雪，0为否，1为是。 下雪概率 下雪概率(百分比)。 紫外线指数 紫外线指数。 天气情况 天气情况。 日出时间 日出时间。 日落时间 日落时间。

查看更多 →

TensorFlow图像分类模板 简介 搭载TensorFlow1.8引擎，运行环境为“python2.7”，适合导入以“SavedModel”格式保存的TensorFlow图像分类模型。该模板使用平台预置的图像处理模式，模式详情参见预置图像处理模式，推理时向模型输入一张“key

查看更多 →

衡。 precision：精确率，又被称为查准率，是针对预测结果而言的。含义为在被预测为正的样本中实际为正样本的概率。 recall：召回率，又被称为查全率，是针对原样本而言的。含义为在实际为正的样本中被预测为正样本的概率。 support：每类标签出现的次数。 模型训练完成后，

查看更多 →

TensorFlow-py27通用模板 简介 搭载TensorFlow1.8 AI引擎，运行环境为“python2.7”，内置输入输出模式为未定义模式，请根据模型功能或业务场景重新选择合适的输入输出模式。使用该模板导入模型时请选择到包含模型文件的model目录。 模板输入 存储在

查看更多 →

TensorFlow-py36通用模板 简介 搭载TensorFlow1.8 AI引擎，运行环境为“python3.6”，内置输入输出模式为未定义模式，请根据模型功能或业务场景重新选择合适的输入输出模式。使用该模板导入模型时请选择到包含模型文件的model目录。 模板输入 存储在

查看更多 →

朴素贝叶斯算法是基于贝叶斯定理与特征条件独立假设的分类方法。 朴素贝叶斯法实现简单，学习与预测的效率都很高，是一种常用的方法。对于给定的训练数据集： 首先基于特征条件独立假设学习输入/输出的联合概率分布。 然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。 输入 参数 子参数 参数说明 inputs

查看更多 →

}] apis定义提供AI应用对外Restfull api数据定义，用于定义AI应用的输入、输出格式。 创建AI应用填写apis。在创建的AI应用部署服务成功后，进行预测时，会自动识别预测类型。 创建AI应用时不填写apis。在创建的AI应用部署服务成功后，进行预测，需选择“请求类型

查看更多 →

代表标签编码后的预测结果的列名，需要与mls中各种分类算子预测结果列保持一致。 "prediction_index" label_index_col 是 经过标签编码后的标签列。 "label_index" probability_col 否 预测结果的分类概率列。 "probability"

查看更多 →

执行实时预测作业 执行实时预测作业 用户登录进入计算节点页面。 在左侧导航树上依次选择“作业管理 > 联邦预测”，打开联邦预测作业页面。 在“联邦预测”页面实时预测Tab页，单击“模型部署”，开始部署模型。 图1 模型部署 模型部署完成后，单击“发起预测”，在系统弹窗中填写要预测的“

查看更多 →