发者基于主流AI引擎，开发并训练其业务所需的模型。 评估模型 训练得到模型之后，整个开发过程还不算结束，需要对模型进行评估和考察。经常不能一次性获得一个满意的模型，需要反复的调整算法参数、数据，不断评估训练生成的模型。 一些常用的指标，如准确率、召回率、AUC等，能帮助您有效的评估，最终获得一个满意的模型。

查看更多 →

precision：精确率 被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力。 accuracy：准确率 所有样本中，模型正确预测的样本比率，反映模型对样本整体的识别能力。 f1：F1值 F1值是模型精确率和召回率的加权调和平均，用于评价模型的好坏，当F1较高时说明模型效果较好。

查看更多 →

precision：精确率 被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力。 accuracy：准确率 所有样本中，模型正确预测的样本比率，反映模型对样本整体的识别能力。 f1：F1值 F1值是模型精确率和召回率的加权调和平均，用于评价模型的好坏，当F1较高时说明模型效果较好。

查看更多 →

precision 精确率 被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力。 accuracy 准确率 所有样本中，模型正确预测的样本比率，反映模型对样本整体的识别能力。 f1 F1值 F1值是模型精确率和召回率的加权调和平均，用于评价模型的好坏，当F1较高时说明模型效果较好。

查看更多 →

的情况。 批量大小 一次训练所选取的样本数。 训练数据集切分数量 将整个数据集切分成多个子数据集，依次训练，每个epoch训练一个子数据集。 融合多值特征 将多值特征的多个embedding融合成一个embedding。 融合线性部分 是否使用模型架构中的线性部分。 固定哈希结构

查看更多 →

的点击率、留存率和用户体验。 免费体验 图说E CS 售前咨询 立即使用 成长地图 由浅入深，带您玩转RES 01 了解 推荐系统（Recommender System） ，提供媒资，短视频、电商等行业的推荐系统解决方案，帮助互联网企业降低构建推荐应用的技术门槛，提升点击率、留存率和用户体验。

查看更多 →

包含评估指标为召回率（Recall）、精确率（Precision）、准确率（Accuracy）与F1值（F1 Score）。下表为具体说明： 表1 离散值评估结果包含指标说明 参数 说明 recall：召回率 被用户标注为某个分类的所有样本中，模型正确预测为该分类的样本比率，反映模型对正样本的识别能力。

查看更多 →

纵向联邦作业XGBoost算法只支持两方参与训练。 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

查看更多 →

accuracy：准确率 所有样本中，模型正确预测的样本比率，反映模型对样本整体的识别能力。 f1：F1值 F1值是模型精确率和召回率的加权调和平均，用于评价模型的好坏，当F1较高时说明模型效果较好。 同一个自动学习项目可以训练多次，每次训练会注册一个新的模型一个版本。如第一次训练版本号为“0

查看更多 →

指用于通过推荐系统推荐出去的结果集并利用trace_id回流到推荐系统的行为的点击率、转化率等指标的计算。 效果评估 父主题： 自定义场景

查看更多 →

行综合考虑，依次计算出更新步长。 学习率：优化算法的参数，决定优化器在最优方向上前进步长的参数。默认0.001。 数值稳定常量：为保证数值稳定而设置的一个微小常量。默认1e-8。 adagrad：自适应梯度算法 对每个不同的参数调整不同的学习率，对频繁变化的参数以更小的步长进行更新，而稀疏的参数以更大的步长进行更新。

查看更多 →

“保留期”：单位（天）。最小值1，最大值15。 召回结果中，仅保留符合 （（当前时间-过滤字段的值）< 保留期）的召回结果。 召回字段 召回字段即在召回时，仅利用选择的召回字段进行召回。 数据结构任务完成后，人工复核中，选中应用于兴趣属性的物品特征（如果物品特征为tags，选中应用于兴趣属性。则在召回字段下拉栏中显

查看更多 →

decay）的机制，可以有效地防止过拟合（overfitting）的问题。 学习率衰减比率 学习率衰减后的比率，用于控制训练过程中学习率的下降幅度。经过衰减后，学习率的最低值由初始学习率和衰减比率决定。其计算公式为：最低学习率 = 初始学习率 * 学习率衰减比率。也就是说，学习率在每次衰减后不会低于这个计算出来的最低值。

查看更多 →

输出推荐结果集为终点的引擎。 排序引擎 以排序为业务逻辑的引擎，即用户提供排序集为输入，系统根据排序算法输出排序结果的引擎。 效果评估 指用于通过推荐系统推荐出去的结果集并利用trace_id回流到推荐系统的行为的点击率、转化率等指标的计算。 打散 打散是指推荐的结果集中根据物品

查看更多 →

建或导入训练数据集，后续训练模型操作是基于您选择的训练数据集。 由于模型训练过程需要有标签的数据，如果您上传未标注数据，需要手动标注数据。 选择数据 训练模型 选择训练数据后，无需用户配置任何参数即可开始训练刹车盘类型识别模型，并查看训练的模型准确率和误差的变化。 训练模型 评估模型

查看更多 →

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 →

入数据集，后续训练模型操作是基于您选择的数据集。 选择数据 训练模型 选择训练数据后，基于已标注的训练数据，选择预训练模型、配置参数，用于训练实体抽取模型。 训练模型 评估模型 训练得到模型之后，整个开发过程还不算结束，需要对模型进行评估和考察。 一些常用的指标，如精准率、召回率

查看更多 →

在使用多语种工作流开发应用时，您需要新建或导入训练数据集，后续训练模型操作是基于您选择的训练数据集。 选择数据 训练模型 选择训练数据后，基于已标注的训练数据，选择预训练模型、配置参数，用于训练文本分类模型。 训练模型 评估模型 训练得到模型之后，整个开发过程还不算结束，需要对模型进行评估和考察。

查看更多 →

新建或导入训练数据集，后续训练模型操作是基于您选择的训练数据集。 由于模型训练过程需要有标签的数据，如果您上传未标注数据，需要手动标注数据。 选择数据 训练模型 选择训练数据后，选择训练模型和车辆场景，即可开始训练车牌检测模型，并查看训练的模型准确率和误差的变化。 训练模型 评估模型

查看更多 →

是否必选 参数类型 描述 f1 是 Double 平均数。 recall 是 Double 召回率。 precision 是 Double 精确率。 accuracy 是 Double 准确率。 父主题： 模型管理

查看更多 →

训练模型”，并配置训练参数，开始训练模型。 预训练模型 当前服务提供预置预训练模型“高精版”、“均衡版”、“基础版”，在“预训练模型”列表中可查看“模型精度”、“推理速度”、“训练速度”和模型“简介”。 参数配置 在“参数配置”填写“学习率”、“训练轮次”和“语种”。 “学习率”用来控制模型的学习速度，范围为(0

查看更多 →