超分辨率转换

加权采样 概述 加权采样是一种数据采样算法，依据数据集中权重列进行数据采样，权重越大的样本被采样的概率越大。 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。 输出 参数 子参数

查看更多 →

default="0.002", description="训练的学习率策略(10:0.001,20:0.0001代表0-10个epoch学习率0.001，10-20epoch学习率0.0001),如果不指定epoch, 会根据验证精度情况自动调整学习率，并当精度没有明显提升时，训练停止")),

查看更多 →

数据采样 如果数据量太大，造成特征操作等待的时间长，用户可以通过采样功能减少特征处理的数据量，提升特征处理的速度。 数据采样提供如下两种方式，请根据实际情况进行选择： 随机采样：按照比例进行样本数据的随机采样。 分层采样：如果一个特征或多个特征组合样本值的类型多样，为保证采样数据

查看更多 →

分层采样 概述 分层采样是一种数据采样算法，依据数据集中某一代表数据类别的列，按照数量或比例对不同类别的数据进行采样。 算法实现采用spark自带的sample函数，采样数量会存在一定误差（按比例采样和按数量采样均会存在）。 输入 参数 子参数 参数说明 inputs dataframe

查看更多 →

仅支持对刚导入的数据进行数据采样，不支持对已执行过特征操作的数据进行数据采样。 数据采样操作步骤如下。 在特征工程首页，单击特征工程所在行，对应“操作”列的图标，进入特征操作界面。 单击，弹出“采样”对话框。 配置采样参数如表1所示。 表1 采样参数设置 参数名称 参数描述 采样方法 数据样本采样的方法。

查看更多 →

请求采样统计 背景信息 开启请求采样统计可以记录访问节点的IP地址和数量，同时可以采样请求的Path，记录请求URL和Body，用于获取访问量大的客户端IP地址和请求Path。 在开启或关闭集群的请求采样统计时，执行命令涉及的配置参数如下： 表1 请求采样统计的配置参数说明 配置名

查看更多 →

采样方式介绍 蒙特卡洛采样 蒙特卡洛采样是一种简单的随机抽样，根据概率分布进行采样，如对样本服从µ=0，δ=1的正态分布，通过蒙特卡洛采样进行采样，采样得到的点能满足正态分布要求，如下图所示，采样得到的点会集中µ=0附近，要想采样得到更边界的点，需要进行大量采样。 图1 蒙特卡洛采样

查看更多 →

请求采样统计 背景信息 开启请求统计可以记录客户端IP的访问和客户端的请求类型，用户可以基于统计值识别客户端IP的访问流量，分析当前客户端的写入和查询访问量。 表1 请求统计的配置参数说明 配置名 类型 说明 flowcontrol.log.access.enabled Boolean

查看更多 →

使用MLS预置算链进行机器学习建模 本章节介绍如何通过一键运行预置的餐厅经营销售量预测算链，完成建模，帮助开发者快速了解MLS的建模过程。 前提条件 已经创建一个基于MLStudio的Notebook镜像，并进入MLS Editor可视化编辑界面，具体参考进入ML Studio操作界面章节。

查看更多 →

采样方式有几种？ 蒙特卡洛采样 蒙特卡洛采样时一种简单的随机抽样，根据概率分布进行采样，如对样本服从µ=0，δ=1的正态分布，通过通过蒙特卡洛采样进行采样，采样得到的点能满足正态分布要求，但如下图所示，采样得到的点会集中µ=0附近，要想采样得到更边界的点，需要进行大量采样。 图1

查看更多 →

k的融合机器学习相关的大数据分析程序。传统上，通常是直接基于pip把Python库安装到执行机器上，对于 DLI 这样的Serverless化服务用户无需也感知不到底层的计算资源，那如何来保证用户可以更好的运行他的程序呢？ DLI服务在其计算资源中已经内置了一些常用的机器学习的算法库（具体可以参考” 数据湖探索

查看更多 →

OLTP表压缩 GS_ADM_ILMDATAMOVEMENTPOLICIES GS_ADM_ILMOBJE CTS GS_ADM_ILMPOLICIES GS_ADM_ILMEVALUATIONDETAILS GS_ADM_ILMPA RAM ETERS GS_ADM_ILMRESULTS

查看更多 →

OLTP表压缩 GS_ADM_ILMDATAMOVEMENTPOLICIES GS_ADM_ILMOBJECTS GS_ADM_ILMPOLICIES GS_ADM_ILMEVALUATIONDETAILS GS_ADM_ILMPARAMETERS GS_ADM_ILMRESULTS

查看更多 →

配置智能压缩 开启智能压缩功能时，CDN会自动压缩您的静态文件。智能压缩能够有效缩小传输文件的大小，提升传输效率，减少带宽消耗。智能压缩包含Gzip压缩和Brotli压缩，Brotli压缩的性能比Gzip压缩提升约15%~25%。 注意事项 智能压缩默认对格式为 .js、.html、

查看更多 →

数据压缩 概述 将数据压缩后到本地文件系统。 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 无 参数说明 参数 子参数 参数说明 data_delimeter - 数据分割符

查看更多 →

OLTP表压缩 GS_ILM GS_ILM_OBJECT GS_ILM_JOBDETAIL GS_ILM_PARAM GS_ILM_POLICY GS_ILM_TASK GS_ILM_TASKDETAIL GS_ILM_TICKER 父主题： 系统表

查看更多 →

OLTP表压缩 GS_ILM GS_ILM_JOBDETAIL GS_ILM_OBJECT GS_ILM_PARAM GS_ILM_POLICY GS_ILM_TASK GS_ILM_TASKDETAIL GS_ILM_TICKER 父主题： 系统表

查看更多 →

多维分析 时序数据来自不同个体且拥有不同属性。例如在监控场景下，通过对某个集群上每台机器的网络流量监控，可以查询分析某台机器的网络流量，也可以同时查询集群总的网络流量。 应用场景 典型IoT数仓主要服务两类业务场景，应用性能监控（Application Performance Man

查看更多 →

多维分析 时序数据来自不同个体且拥有不同属性。例如在监控场景下，通过对某个集群上每台机器的网络流量监控，可以查询分析某台机器的网络流量，也可以同时查询集群总的网络流量。 应用场景 典型IoT数仓主要服务两类业务场景，应用性能监控（Application Performance Man

查看更多 →

从0到1利用ML Studio进行机器学习建模 本章节基于餐厅销量预测场景，从零开始介绍如何制作销售销量训练及销售销量预测两个算链。 前提条件 已经创建一个基于ML Studio的Notebook镜像，并进入MLS Editor可视化编辑界面，具体参考进入ML Studio操作界面章节。

查看更多 →

comptype 压缩类型，支持： 1：未压缩 2：高级压缩。 blkcnt_cmp 采样行行压缩后占页面数。 blkcnt_uncmp 采样行未压缩时占页面数。 row_cmp 单页面容纳压缩行数。 row_uncmp 单页面容纳非压缩行数量。 cmp_ratio 压缩率。 comptype_str

查看更多 →