逻辑回归分类 概述 “逻辑回归”节点用于数据二分类，支持自动化建模。它可以根据输入训练集高效地完成参数自动调优，并通过 LOG ISTIC函数将线性回归的输出映射到[0,1]区间，最后根据阈值判断完成数据二分类。 逻辑回归本质上是一种线性分类方法，因此在考虑使用逻辑回归模型前，要保证

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 →

机器学习端到端场景 本章节以图像分类为例，阐述机器学习端到端场景的完整开发过程，主要包括数据标注、模型训练、服务部署等过程。您可以前往AI Gallery搜索订阅预置的“图像分类-ResNet_v1_50工作流”进行体验。 准备工作 准备一个图像分类算法（或者可以直接从AI Ga

查看更多 →

回归评估 概述 对回归模型预测的结果数据集进行评估。 输入 参数 子参数 参数说明 inputs dataframe inputs为字典类型，dataframe为pyspark中的DataFrame类型对象 输出 回归的评估指标：mae、mse、rmse 参数说明 参数 子参数 参数说明

查看更多 →

feature_fraction - 特征的比例，默认为1.0 min_sum_hessian_in_leaf - 一个叶子上最小hessian和。取值区间为[0, 1]，默认为1e-3 boost_from_average - 是否将初始分数调整为标签的平均值，以加快收敛速度,，默认为True

查看更多 →

回归 决策树回归 梯度提升树回归 LightGBM回归 线性回归 随机森林回归 父主题： 模型工程

查看更多 →

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，同时学习高阶和低阶特征组合，从而达到准确地特征组合学习，进行精准推荐。DEEPFM算法参数请参见深度网络因子分解机。

查看更多 →

随机森林回归 概述 “随机决策森林回归”节点用于产生回归模型。随机决策森林是用随机的方式建立一个森林模型，森林由很多的决策树组成，每棵决策树之间没有关联。当有一个新的样本输入时，该样本取值为所有决策树的预测值的平均值。 随机决策森林回归中的决策树算法是递归地构建决策树的过程，用平

查看更多 →

如果无运行结果，如图7所示；如果有运行结果，如图8所示，例如模型应用节点和回归评估节点。 图6 右键选择展示运行结果 图7 无运行结果 图8 有运行结果 Step2 使用模型进行预测 模型建立完成后，使用已经保存好的模型和餐厅预测数据，可以预测销售额。 在算链页签的预置算链目录下， 双击打开销售销量预测，

查看更多 →

线性回归 概述 “线性回归”节点用于产生线性回归模型。它是利用数理统计中的回归分析，来确定两种或两种以上变数间相互依赖的定量关系的统计分析方法。 输入 参数 子参数 参数说明 inputs dataframe inputs为字典类型，dataframe为pyspark中的DataFrame类型对象

查看更多 →

训练作业必须选择一个当前计算节点发布的数据集。 作业创建者的数据集必须含有特征。 创建纵向联邦学习作业 纵向联邦学习作业在本地运行，目前支持XGBoost算法、逻辑回归LR算法和FiBiNET算法。 纵向联邦学习分为五个步骤：数据选择、样本对齐（可选）、特征选择（可选）、模型训练、模型评估。 创建过程如下：

查看更多 →

联盟和计算节点支持自助升级 在实际应用中，升级、回滚是一个常见的场景， TICS 能够很方便的支撑联盟和计算节点升级和回滚。回滚也称为回退，即当发现升级出现问题时，让联盟和计算节点自动回滚到老的版本。TI CS 已实现了在异常状态下的自动回滚。 公测 联盟管理 计算节点管理 3 联盟和计算节点部署过程可视化

查看更多 →

分类 决策树分类 梯度提升树分类 LightGBM分类 线性支持向量机分类 逻辑回归分类 多层感知机分类 朴素贝叶斯分类 随机森林分类 FM算法 GBDT PMML模型预测 多层感知机分类(pytorch) 多层感知机预测(PyTorch) 父主题： 模型工程

查看更多 →

图9 查看预测结果 本案例中数据和算法生成的模型仅适用于教学模式，并不能应对复杂的预测场景。即生成的模型对预测图片有一定范围和要求，预测图片必须和训练数据集中的图片相似才可能预测准确。 ModelArts的AI Gallery中提供了常见的精度较高的算法和相应的训练数据集，用户可以在AI

查看更多 →

图9 查看预测结果 本案例中数据和算法生成的模型仅适用于教学模式，并不能应对复杂的预测场景。即生成的模型对预测图片有一定范围和要求，预测图片必须和训练数据集中的图片相似才可能预测准确。 ModelArts的AI Gallery中提供了常见的精度较高的算法和相应的训练数据集，用户可以在AI

查看更多 →

分类 添加节点 编辑节点 管理属性 布局属性 生效节点 失效节点 删除节点 父主题： 数据模型管理

查看更多 →

读取数据参数设置 如果源算子和目标算子其中一个及以上具有多个输出输入端口，连线时需选择输入输出端口，如图6所示。 数据集分割算子连线随机森林回归算子，数据集分割算子具有输出端口datafram_1和dataframe_2，单击下拉框选择dataframe1为输出端口，随机森林回归算子只有输入端

查看更多 →

FM算法 概述 FM主要是解决稀疏数据下的特征组合问题，并且其预测的复杂度是线性的，对于连续和离散特征有较好的通用性。 公式为： 输入 参数 子参数 参数说明 inputs dataframe inputs为字典类型，dataframe为pyspark中的DataFrame类型对象

查看更多 →

决策树回归 概述 “决策树回归”节点用于产生回归模型。 决策树算法是递归地构建决策树的过程，用平方误差最小准则，进行特征选择，生成二叉树。平方误差计算公式如下： 其中是样本类标的均值，yi 是样本的标签，N 是样本数量。 输入 参数 子参数 参数说明 inputs dataframe

查看更多 →

最大分箱数，默认为32 min_instances_per_node - 节点分割时，要求子节点必须包含的最少实例数，默认为1 min_info_gain - 节点是否分割要求的最小信息增益，默认为0.0 subsampling_rate - 学习每棵决策树用到的训练集的抽样比例，默认为1.0

查看更多 →

消费混乱。 例如Topic A下有Tag A和Tag B，消费者A订阅了Tag A的消息，消费者B订阅了Tag B的消息。 如果消费者A和消费者B设置了相同的消费组，当生产者发送Tag A的消息时，Tag A的消息会均匀发送给消费者A和消费者B。由于消费者B没有订阅Tag A的消息，会把Tag

查看更多 →