。 自动学习的关键技术主要是基于信息熵上限近似模型的树搜索最优特征变换和基于信息熵上限近似模型的贝叶斯优化自动调参。通过这些关键技术，可以从企业关系型（结构化）数据中，自动学习数据特征和规律，智能寻优特征&ML模型及参数，准确性甚至达到专家开发者的调优水平。自动深度学习的关键技术

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 →

是否为k:v的稀疏特征, 如果指定该列，soften_cols参数只支持选择稀疏特征列kv_col中的列名。 False kv_col 否 如果为稀疏特征，指定稀疏特征列名。 "kv" item_spliter 否 稀疏特征的分隔符。 "," kv_spliter 否 稀疏特征key和value的分隔符。

查看更多 →

特征工程：对数据进行特征处理操作的工程。 特征工程服务：将优质的特征工程发布成服务，用户可以直接调用该服务，对具备完全相同特征的数据进行特征处理。 特征工程任务：调用特征工程服务的过程。用户在调用特征工程服务的时候，需要基于特征工程服务新建任务。 特征工程管理页面 “特征工程”页面分为两个页签：特征处理工程和已发布服务。

查看更多 →

discretization_bin_num 否 离散化连续特征区间数量 None is_sparse 是 是否是K:V的稀疏特征 False kv_col 否 稀疏特征列名 "" item_spliter 否 K:V特征中每个item之间的分隔符 "," kv_spliter 否 K:V特征中每个key与value之间的分隔符

查看更多 →

单击右下方“保存至特征工程”可将绘制的图表保存至JupyterLab环境编辑区域。 特征分析（特征选择） 特征选择就是使用算法对特征进行相关性分析，根据结果从众多特征中剔除不重要的特性，从而保留重要的特性。 当前系统支持如下两种特征选择方法： 过滤法(Filter) 按照发散性或者

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 →

附录 名词解释 基本概念、云服务简介、专有名词解释： 企业主机安全 HSS：是服务器贴身安全管家，通过资产管理、漏洞管理、基线检查、入侵检测、程序运行认证、文件完整性校验，安全运营、网页防篡改等功能，帮助企业更方便地管理主机安全风险，实时发现黑客入侵行为，以及满足等保合规要求。 Web应用防火墙

查看更多 →

连接器是 可信智能计算 服务提供的一项访问参与方数据资源的功能。参与方填写连接信息来创建对应类型的连接器，并通过这些连接器访问到各类型资源的结构化信息。当前支持 MRS 服务(Hive)、本地数据集、RDS数据集、DWS数据集、Oracle数据集、Mysql数据集，后续会支持更多华为云服务及原生服务

查看更多 →

请求被拒绝访问。返回该状态码，表明请求能够到达服务端，且服务端能够理解用户请求，但是拒绝做更多的事情，因为该请求被设置为拒绝访问，建议直接修改该请求，不要重试该请求。 500 InternalServerError 表明服务端能被请求访问到，但是不能理解用户的请求。 503 ServiceUnavailable

查看更多 →

查询时序数据 场景描述 本章以查询一个节点的CPU使用率时序数据为例。 涉及的基本信息 查询时序数据前，需要确定节点的ID和集群ID的值，节点ID值可以在E CS 的dimensions中查看，集群ID值可以在CCE的“集群管理”页面，基本信息的dimensions中查看。 因指标格

查看更多 →

快速创建时序表 场景介绍 时序表继承普通表的行存和列存语法，降低了用户学习成本，易理解和使用。 时序表具备数据生命周期管理的能力，每天各种维度的数据爆炸式增长，需要定期给表增加新的分区，避免新数据无法存储。而对于很久之前的数据，其价值较低且不经常访问，可以定期删除无用的数据。因此

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 →

产品术语 A AI应用市场 提供AI模型的交易市场，是AI消费者接触NAIE云服务的线上门户，是AI消费者对已上架的AI模型进行查看、试用、订购、下载和反馈意见的场所。 AI引擎 可支持用户进行机器学习、深度学习、模型训练的框架，如Tensorflow、Spark MLlib、MXNe

查看更多 →

feature_cols 特征列 label_col label列 item_spliter 稀疏特征的iterm之间的分割符 kv_spliter 稀疏特征中每个iterm的KV分割符 model_path 线性模型的输入路径 样例 输入数据 配置流程 运行流程 输出结果 父主题： 特征工程

查看更多 →

件夹。 全局特征配置文件路径(global_features_information_path) 是 String 该文件为JSON格式，包含特征名、特征大类、特征值类型。全局特征文件详细内容可以通过查询全局特征配置获取。 高级设置(writer_parameters) 否 JSON

查看更多 →

创建特征工程 用户可以在“数据集详情”页面基于数据集实例新建特征工程，对数据集执行特征操作；也可以在“特征工程管理”页面新建特征工程。我们以在“特征工程管理”页面创建特征工程为例，操作步骤如下。 单击“特征工程管理”页面的。 弹出“特征处理”对话框。如图1所示。 图1 创建特征工程

查看更多 →

6 JupyterLab预置的算子，主要包含数据处理、模型训练以及迁移学习能力。 7 算法工程操作编辑区域。算法工程操作的主文件为后缀名称是“ipynb”的文件。 新建算法工程 用户创建特征工程时，系统默认在特征工程中，为用户创建了同名的算法工程，如果需要在当前特征工程中，创建多个算法工程，可参考下述步骤操作。

查看更多 →

请求失败时的错误码，请求成功时无此字段。 error_msg String 请求失败时的错误信息，请求成功时无此字段。 表4 global_features参数说明 参数名称 参数类型 说明 user_features List 用户特征列表。 item_features List 物品特征列表。 表5 user_features

查看更多 →

请求失败时的错误码，请求成功时无此字段。 error_msg String 请求失败时的错误信息，请求成功时无此字段。 表4 global_features参数说明 参数名称 参数类型 说明 user_features List 用户特征列表。 item_features List 物品特征列表。 表5 user_features

查看更多 →

络拓扑、时序、故障等主要数据关系与特征，并高效完成标注。 数据处理 数据处理是 数据湖 中数据管理的重要部分。可以通过数据处理，将用户的原始数据转换成目标模型数据格式。 时序数据标注 标注是KPI异常检测非常重要的数据，可以提升监督学习训练过程中KPI检测准确率，在无监督学习中做算法验证评估：

查看更多 →