无需安装App，无需关注服务号，常驻消息入口，强通知定制化的菜单按钮和底部、悬浮菜单，支持自定义H5、快应用、App跳转，有效提升转换率企业名称+品牌logo，提升企业可信度，拉近用户距离；品牌高频曝光，提升品牌认知度支持单卡片和多卡片样式，高清图片、音频、视频、位置、文件等富媒体内容，视觉冲击力更强聊天式的智能交互， 语音识别 、语意识别、

查看更多 →

高清智能会议体验。 支持4K高清投屏，搭载Wi-Fi 6，无线投屏稳定流畅。 全新的电子白板工具栏布局，书写更流畅，操作更顺手。 搭载HarmonyOS，分布式智慧办公，为用户提供更友好，更便捷的协作交互体验。 实现云、管、端、芯全链路防护，并通过全球商用系统CC EAL5+高等级安全认证。

查看更多 →

从下拉框中选择当前数据操作流的名字。 操作流变量名 如果存在多个数据操作流，可重命名操作流对象的变量名，以避免冲突。 单击图标，运行“删除列”代码框内容。 选择列 如果数据的特征量大，而大多数特征对模型训练无效，可通过“选择列”保留仅对模型训练有意义的特征。 操作步骤如下所示。 单击界面右上角的图标，选择“数据处理

查看更多 →

数据特征 数据分析 数据处理 特征工程 父主题： 预置算子说明

查看更多 →

而用极少的几个特征来涵盖大部分的数据集信息。主成分分析认为，沿某特征分布的数据的方差越大，则该特征所包含的信息越多，也就是所谓的主成分。适用于线性可分的数据集。 KPCA：基于核函数的主成分分析。KPCA与PCA基本原理相同，只是需要先升维再进行投影，因为有些非线性可分的数据集只有在升维的视角下才线性可分。

查看更多 →

果右侧的参数说明，如表1所示。 表1 特征画像参数说明 参数 说明 设备数 需要检测的KPI对象的数量，如设备或端口的数目。 样本数 训练数据总的样本数。 采样率 采样频率，单位为秒。60的含义为每60秒采样一次。 开始时间 采样的时间跨度。 结束时间 周期 是否有周期的特性，给出评估的值。

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 →

特征；过低的iv值没有区分性会造成训练资源的浪费，过高的iv值又过于突出可能会过度影响训练出来的模型。 例如这里大数据厂商提供的f4特征iv值是0，说明这个特征对于标签的识别没有区分度，可以不选用；而f0、f2特征的iv值中等，适合作为模型的训练特征。 根据计算得出的iv值，企业

查看更多 →

特征转换 概述 将对应列的数据乘以相应的权重得到新的列，只支持数字列。 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 数据集 参数说明 参数 子参数 参数说明 input_columns_str

查看更多 →

低带宽、不可靠的网络的设备管理。该协议构建于TCP/IP协议上。 对设备的可靠性和实时性要求高，适合长连接的场景，如智能路灯等。 根据前面步骤，总结设备的特征，选择与业务相匹配的设备。例如针对智能抄表行业，要求电表通信模块具有覆盖广、穿透力强、耗电量小、成本低特点，因此接入网络选

查看更多 →

单击“创建”，界面新增“Harddisk”特征工程。 等待特征工程的“环境信息”中的特征工程状态从“创建中”变更为“运行中”，即开发环境创建完成。 单击特征工程“操作”列的图标，进入JupyterLab环境的“Launcher”界面。 在左侧的代码目录中，可以看到系统自动为用户创建的与特征工程同名的算法工程目录

查看更多 →

得超过行为数据的时间范围。 测试数据时间：测试数据起始时间和终止时间，该起始时间和终止时间不得超过行为数据的时间范围。 “RATE” 训练数据占比：生成的结果中，训练集占整个训练集和测试集的比例，默认0.7。 测试数据占比：生成的结果中，训练集占整个训练集和测试集的比例，默认0.3。

查看更多 →

项目ID，获取方法请参考获取项目ID。 instance_id 是 String 实例的ID。 最小长度：1 最大长度：64 请求参数 表2 请求Body参数 参数 是否必选 参数类型 描述 package_id 是 String 模型包ID。 entity_type 是 String

查看更多 →

指向一个pyspark的DataFrame类型对象，该对象中包含各个特征取值的gini，entropy指标 参数说明 参数 是否必选 参数说明 默认值 feature_cols 是 待分析的特征名称 "" label_col 是 标签列的名称 "" enable_sparse 是 输入数据是否为稀疏格式，取值为{true

查看更多 →

Frequency，针对非数值型的数据，即类别离散数据的算法。具体步骤如下： 将所有的数据点都标为非异常点； 计算所有每一个属性值的频数； 计算每一个点的AVF score，即样本点x的每一个属性值对应的频数之和除以属性总数，这里的属性指的都是category的属性。 AVF score值越小，样本越异常。

查看更多 →

情况选择合适的接入方案，四种方案优缺点如下： 接入方式 方案优点 方案约束 方案一：集成LiteOS接入物联网平台 有对应的SDK，集成难度较低，对您的开发技能要求较低。 方案不灵活，开发者只能根据LiteOS提供的API去实现自己的功能，超出API外的功能，无法自定义，对于设备的硬件要求比较高。

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 →

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 →