特征工程 二值化 卡方选择 派生 特征转换 FP-growth 最小最大规范化 正则化 独热编码 主成分分析 离散化 标准化 字符串标签化 奇异值分解 过滤式特征选择 线性特征重要性 特征尺度变换 特征异常检测 特征异常平滑 gbdt编码模型训练 gbdt编码模型应用 父主题： 数据特征

查看更多 →

需要被进行尺度变换的特征名 - scale_method 尺度变换的方法 "ln" item_spliter 离散型特征的，iterm之间的分割符 "," kv_spliter 离散型特征KV的分割符 ":" 样例 输入数据 配置流程 运行流程 参数设置 输出结果 父主题： 特征工程

查看更多 →

Boxes 横坐标：目标框的面积占比，即目标框的面积占整个图片面积的比例，越大表示物体在图片中的占比越大。 纵坐标：框数量（统计所有图片中的框）。 主要判断模型中使用的anchor的分布，如果目标框普遍较大，anchor就可以选择较大。 按边缘化程度统计框数量的分布 Marginalization

查看更多 →

单击图标，可查看Jupyterlab平台的环境信息，包括环境名称、状态、规格和剩余使用时间，停止运行环境的操作。 Spark资源环境信息，用于数据集分析以及Spark特征工程。包括资源ID、状态、规格以及删除资源的操作。 查看复制的特征工程的相关信息，包括任务类型、源特征工程、目标特征工程、创建时间和状态等信息。

查看更多 →

过滤式特征选择 概述 过滤式特征选择根据特征对标签的重要性对特征进行筛选，特征重要性较高的特征，提升训练的精度和效率。 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 参数

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 →

特征异常平滑 概述 特征异常平滑算子用于将数据中的异常数据平滑到一定的区间，可选择采用箱线图、阈值、百分位和z-score的方法确定平滑区间。 z-score方式：计算所需要平滑的特征的均值mean和标准差std，并引入置信因子cl 平滑区间上界： 平滑区间下界： min-max

查看更多 →

网元间信元的传递并计算出合理的寻呼时刻，终端只在寻呼时刻监控寻呼指示信道，其他的时刻不监控寻呼指示信道，从而缩短终端的监控寻呼信道时长，达到减少网络信令负荷，节省终端耗电量的目的。 由于不同省电模式下，设备的休眠周期不一样。物联网平台在接收到应用侧下发的命令后，物联网平台会根据终

查看更多 →

物联网 华为物联网工程师培训 华为物联网高级开发者培训 物联网高层班 父主题： 培训服务

查看更多 →

物联网 CoapClient监控 CoapServer监控 MoquetteBroker监控 PahoPublisher监控 PahoSubscriber监控 父主题： 指标总览

查看更多 →

接接入平台和设备通过网关接入平台，您可以根据自己的设备选择合适的方式。 前提条件 已完成平台侧开发。 直接接入平台 针对已实现TCP/IP协议栈的设备，可以直接与平台进行通信，常见的设备包括网关、以太网设备、NB-IoT设备等。 根据设备自身硬件的特点不同，华为物联网平台提供四种

查看更多 →

物联网平台的应用和设备可以无限创建吗？ 不可以。具体技术规格限制可以参见使用限制。 父主题： 方案咨询（联通用户专用）

查看更多 →

实时分析 特点 描述 图形化流编排能力 可视化流编排IDE、无需写SQL，通过简单拖拽完成流作业定义。 物联网流编排算子 基于典型物联网应用场景，封装常用算子，比如数据接入，数据过滤，数据转换等等。 时序分析：专为物联网时序数据处理优化的服务，包括高压缩比的时序数据存储，高效的时序查询效率，海量时间线能力。

查看更多 →

时必填。取值范围[0,1]。 待提取用户特征 (user_features) 是 JSONArray 从全局特征文件提取输入的用户特征，对不同类型的特征进行相应的处理，处理后的数据用于排序模型训练。 特征必须来自用户属性配置表中定义的特征。 [{ "feature_name": "age"

查看更多 →

、“默认值”和“当前值”，即可修改超参值。 执行记录：查看全量数据应用的历史记录。并支持在“执行记录”中删除全量数据应用操作或重新执行全量数据应用操作。 执行：将特征操作流应用在导入特征工程的全量数据上，并生成经过特征处理的新数据。 4 特征操作明细区域。 单击“特征操作流总览”

查看更多 →

hm”下方的“算法工程”，弹出的“新建”对话框。 输入“名称”，示例：code-123，单击“确定”。 “code-123”算法工程创建完成，在界面左侧的代码目录，可以看到新增的“code-123”目录及其相关的主文件、子目录等。 不同的算法工程，均会有与算法工程同名的目录，且同

查看更多 →

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 和 item_features参数说明

查看更多 →

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 和 item_features参数说明

查看更多 →

线性特征重要性 概述 用线性模型计算训练数据的特征重要性。 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 特征的重要性和特征在线性模型中的weights，格式是dataFrame。

查看更多 →

概念简介 物联网数据的数据体量大、价值密度小、数据时效性高、质量低。针对物联网数据的这些特点，在海量历史数据中提供近实时的高效探索分析能力，及时发现物联网数据中的隐含规律则显得尤为重要。IoT数据分析服务的时序分析，提供基于模型驱动的海量历史数据时序分析洞察能力，让物联网数据的规律清晰可见。

查看更多 →

如何选中全量特征列？ 使用Python和Spark开发平台创建的特征工程，在特征操作界面，单击表格左上方第一个带有倒三角标识的单元格即可。 使用JupyterLab开发平台创建的特征工程，在JupyterLab环境编辑区域分别运行“Import sdk”和“加载数据”代码框。运行

查看更多 →