域感知因子分解机是因子分解机的改进版本，因子分解机每个特征对其他域的隐向量都一致，而域感知因子分解机每个特征对其他每个域都会学习一个隐向量，能够达到更高的精度，但也更容易出现过拟合。FFM算法参数请参见域感知因子分解机。 深度网络因子分解机，结合了因子分解机和深度神经网络对于特征表达的学习，同时学习

查看更多 →

将自动筛选并展示此企业项目下的资源。 根据企业项目筛选资源的功能必须要先开通企业项目才可以使用。 操作步骤 登录管理控制台。 单击页面左上角的图标，在弹出的服务列表中，选择“管理与监管”下的“配置审计 Config”，进入“资源清单”页面。 在“资源清单”页面中部搜索框中，可通过

查看更多 →

创建数据预处理作业 数据预处理是训练机器学习模型的一个重要前置步骤，其主要是通过转换函数将特征数据转换成更加适合算法模型的特征数据过程。 TICS 特征预处理功能能够实现对数据的探索、分析、规整以及转换，以达到数据在训练模型中可使用、可实用，在TI CS 平台内完成数据处理到建模的闭环。 假设您有如下数

查看更多 →

筛选成功后，在特征工程操作界面可以单击图标查看筛选历史，筛选记录内的规则名即为此处设置的筛选规则名称，单击筛选历史记录内的筛选规则名可以查看对应的筛选结果。 可选特征：展示当前数据的所有特征信息。 已选特征：展示用户在“可选特征”中勾选出的所有特征，支持删除已选特征。 在“可选特征”框中勾选需要显示的特征列。

查看更多 →

进行参数调整和代码调整构建独特的业务场景需要的AI算法。 图2 丰富的预置算子 亮点特性3：提供高度开放的自定义算子开发环境 MLS提供了高度开放的自定义算子开发环境，开发者可以用自己习惯的方式编写MLS算子并拖拽至画布，构建算链完成模型构建。MLS支持全新编写自定义算子、上传自

查看更多 →

新建作业 在弹出的界面进行数据选择，选择两方数据集作为整个作业的数据集，必须选择一个当前代理的数据集，另一个数据集可以来自空间中的任意一方。两方的数据集中一方数据集只含有特征，另一方的数据集必须含有标签。 重试：开关开启后，执行失败的作业会根据配置定时进行重试，仅对开启后的执行作业生效

查看更多 →

model_name name 模型的实例名，每个模型对应aiEngine在线学习进程中的一套参数、训练日志、模型系数。此列需为unique。 datname name 该模型所服务的database名，每个模型只针对单个database。此参数决定训练时所使用的数据。 ip name AiEngine端所部署的host

查看更多 →

数据筛选 “数据筛选”组件对传入该组件的数据按照指定的表达式进行筛选，并将筛选出的结果通过节点变量传递给后续节点。通常“数据筛选”组件会作为“数据拆分”组件的后续步骤以配合使用。 配置参数 参数 说明 表达式 数据筛选的表达式。 使用表达式对数据进行筛选，并传递给后续节点。例如数

查看更多 →

数据筛选 在数据概览页中，默认展示数据集的概览情况。在界面右上方，单击“开始标注”，进入数据集的详细数据页面，默认展示数据集中全部数据。在“全部”、“未标注”或“已标注”页签下，您可以在筛选条件区域，添加筛选条件，快速过滤出您想要查看的数据。 支持的筛选条件如下所示，您可以设置一个或多个选项进行筛选。

查看更多 →

数据筛选 “数据筛选”组件对传入该组件的数据按照指定的表达式进行筛选，并将筛选出的结果通过节点变量传递给后续节点。通常“数据筛选”组件会作为“数据拆分”组件的后续步骤以配合使用。 配置参数 参数 说明 表达式 数据筛选的表达式。 使用表达式对数据进行筛选，并传递给后续节点。例如数

查看更多 →

筛选条件 创建筛选条件 添加筛选条件入/出方向规则 修改筛选条件入/出方向规则 删除筛选条件入/出方向规则 修改筛选条件基本信息 查看筛选条件 删除筛选条件 父主题： 流量镜像

查看更多 →

任务 操作步骤 新建标签 单击标签后的或搜索框后的“新增标签”，输入标签名称。 修改标签 单击标签后的，可对标签的名称进行修改。 删除标签 单击标签后的，可对标签进行删除。 说明： 平台预置场景标签暂不支持编辑、删除。 父主题： 标签管理

查看更多 →

如图1中红色框所示，预置算子列表目前分为数据特征、输入输出、模型工程三大类。带标志的是算子类别，比如数据特征类，该类包含数据特征的子类数据分析、特征工程、数据处理及其算子。详细的预置算子说明请参考预置算子说明章节。 单击算子类对象前图标，即可展开显示子类和算子。 双击数据特征类，展开其子类数据分析、特征工程、数据

查看更多 →

特征工程 如何选中全量特征列？ 算法工程处理的时候必须要先采样吗？ 特征处理操作完成后怎么应用于数据集全量数据？ 特征工程和算法工程的关系？ JupyterLab环境异常怎么处理？ 父主题： 常见问题

查看更多 →

特征工程 特征工程简介 Python和Spark开发平台 JupyterLab开发平台 父主题： 用户指南

查看更多 →

特征管理 特征操作接口 父主题： 应用模型

查看更多 →

特征工程 二值化 卡方选择 派生 特征转换 FP-growth 最小最大规范化 正则化 独热编码 主成分分析 离散化 标准化 字符串标签化 奇异值分解 过滤式特征选择 线性特征重要性 特征尺度变换 特征异常检测 特征异常平滑 gbdt编码模型训练 gbdt编码模型应用 父主题： 数据特征

查看更多 →

需要被进行尺度变换的特征名 - scale_method 尺度变换的方法 "ln" item_spliter 离散型特征的，iterm之间的分割符 "," kv_spliter 离散型特征KV的分割符 ":" 样例 输入数据 配置流程 运行流程 参数设置 输出结果 父主题： 特征工程

查看更多 →

Boxes 横坐标：目标框的面积占比，即目标框的面积占整个图片面积的比例，越大表示物体在图片中的占比越大。 纵坐标：框数量（统计所有图片中的框）。 主要判断模型中使用的anchor的分布，如果目标框普遍较大，anchor就可以选择较大。 按边缘化程度统计框数量的分布 Marginalization

查看更多 →

AI开发基本概念 机器学习常见的分类有3种： 监督学习：利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。常见的有回归和分类。 非监督学习：在未加标签的数据中，试图找到隐藏的结构。常见的有聚类。 强化学习：智能系统从环境到行为映射的学习，以使奖励信号（强化信号）函数值最大。

查看更多 →

全局特征信息文件 在特征工程、在线模块，近线模块时都会用到该全局的特征信息文件。当上传的数据中的特征有变化时，用户需要同步更新该文件。该文件为JSON格式，包含特征名、特征大类、特征值类型。 表1 全局特征信息文件字段描述 字段名 类型 描述 是否必选 user_features

查看更多 →