根据计算得出的iv值，企业A调整了训练使用的特征，没有选用双方提供的特征全集，去掉了部分iv值较低的特征，减少了无用的计算消耗。 父主题： 使用 TICS 可信联邦学习进行联邦建模

查看更多 →

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 纵向联邦机器学习，适用于参与者训练样本ID重叠较多，而数据特征重叠较少的情况，联合多个参与者的共同样本的不同数据特征进行联邦机器学习，联合建模。

查看更多 →

同特征的多行样本进行可信联邦学习，联合建模。 模型评估 评估训练得出的模型权重在某一数据集上的预测输出效果。 纵向联邦机器学习 纵向联邦机器学习，适用于参与者训练样本ID重叠较多，而数据特征重叠较少的情况，联合多个参与者的共同样本的不同数据特征进行可信联邦学习，联合建模。 概念术语

查看更多 →

如何创建多方安全计算作业？ 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 →

筛选资源 操作场景 在“资源清单”页面，您可以通过选择服务、资源类型和区域来筛选资源，其中全局级服务无需选择区域。如需进行更精细的资源筛选，您还可以通过在页面中部的搜索框中输入搜索条件，快速定位到目标资源。 本章节为您介绍如何通过搜索框快速定位目标资源。 目前支持的筛选条件 表1

查看更多 →

即卡方值）筛选出有价值的特征列。将卡方值由小到大排序，筛选出TOPN的特征列： 特征列与标签列之间的偏离程度越大，卡方值越大，说明特征列与标签列不符 特征列与标签列之间的偏离程度越小，卡方值越小，说明特征列越接近于标签列 如果特征列与标签列完全相等，卡方值为0，说明特征列与标签列完全符合

查看更多 →

。这些类别，对应到后面的特征选择、算法推荐，会有不同的策略，有效提升模型的构建效率。 单击“选择数据”左下方的“特征画像”。 新增“特征画像”内容，如图1所示。 图1 特征画像 单击“特征画像”代码框左侧的图标，运行代码。 通过运行结果左侧两个图可以直观的看一下原始数据和数据的密

查看更多 →

呼叫特征 表1 呼叫特征说明 值 说明 0 普通客户呼叫 1 来自话务员 2 长途客户呼叫 3 CTI收到网络路由实呼后发起的路由 4 国际长途来话 40 预约呼出 41 预占用呼出 42 预连接呼出 43 虚呼入呼出 44 预览呼出 45 回呼请求 51 内部求助 父主题： 附录

查看更多 →

参数说明 列筛选方式 特征列的筛选方式，有如下两种： 列选择 正则匹配 列名 列筛选方式为“列选择”时展示，如果有多列特征数据需要删除，可单击“”同时选中多列特征名称。 正则表达式 列筛选方式为“正则匹配”时展示，请根据实际情况输入正则表达式，系统自动筛选符合正则筛选规则的所有特征列。 当前操作流

查看更多 →

Standard自动学习 ModelArts通过机器学习的方式帮助不具备算法开发能力的业务开发者实现算法的开发，基于迁移学习、自动神经网络架构搜索实现模型自动生成，通过算法实现模型训练的参数自动化选择和模型自动调优的自动学习功能，让零AI基础的业务开发者可快速完成模型的训练和部署。

查看更多 →

列筛选 “列筛选”筛选的是特征列。如果用户需要重点查看分析特定特征列，可以通过列筛选完成。 列筛选操作步骤如下。 列筛选 单击特征工程操作界面的，弹出“列筛选”对话框，如图1所示。 图1 列筛选 其中，界面说明如下所示： 筛选规则名称：为即将设置的筛选规则设置名称。 筛选成功后，

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 →

标签筛选 在场景、逻辑场景和测试用例，以及添加场景、逻辑场景和测试用例时，可以通过标签筛选，快速筛选出场景或用例。 标签筛选 在左侧菜单栏中单击“仿真服务 > 场景管理”。 在页面中单击“标签筛选”。 在筛选框中输入内容，查找目标标签。也可在左侧标签树列表中选择目标标签。 勾选左

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 →

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 →

虚拟药物筛选 创建study 删除study 列举study所有作业 创建study作业 列举study 获取study作业的最值信息 获取生成study作业3D结构的内容 父主题： 项目管理

查看更多 →

0/24、目的端口为全部。 操作步骤 进入筛选条件列表页面。 在筛选条件列表右上方，单击“创建筛选条件”。 进入“创建筛选条件”页面。 根据界面提示，设置筛选条件基本信息。 表2 筛选条件基本信息参数说明 参数名称 参数说明 取值样例 名称 必选参数。 此处输入筛选条件的名称。要求如下： 长度范围为1~64位。

查看更多 →

操作步骤 进入筛选条件列表页面。 在筛选条件列表中，单击目标筛选条件名称对应的超链接。 进入“入方向规则”页签。 执行以下操作，分别选择不同的页签，查看筛选条件的信息。 在“基本信息”页签：查看筛选条件名称、ID以及创建时间等。 在“入方向规则”页签：查看筛选条件的入方向规则详情

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 →