功能简述 水环境监测：水环境监测旨在通过地图查看接入的排口、排口水质、水质站点、考核断面、河道、排水户、污水厂、水文站8 类POI 的地理位置及绑定设备的监测参数，实现辖区内的全域监测。 雨情预警：通过水位监测、流量监测、视频监测等前端感知设备对易涝点积水信息、实时流量信息、区域

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 →

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 →

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 →

其他具备权威的证明形式 若为邮件确认或验收，需要满足以下要求： 邮件发送者的邮箱必须为客户公司邮箱，后缀不可为公共邮箱（如 QQ、163 等）。 邮件的发件者需为客户的关键决策者，且邮件正文中包含有对SOW确认或项目内容验收的说明。 邮件的接收者需要为交付伙伴项目经理或关键决策人

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 →

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 →

产品管理 产品模型定义了该产品下所有设备具备的能力或特征，产品管理为应用 服务器 提供对物联网平台中产品模型的操作管理功能。 创建产品 查询产品列表 查询产品 修改产品 删除产品 父主题： API

查看更多 →

产品优势 物联网资产模型感知 IoT数据分析服务是以物联网资产模型为中心的分析服务，不同于公有云上的通用型大数据相关产品，IoT数据分析服务与资产模型深度整合，在相关数据分析作业的定义中，开发者可以方便引用物联网的模型数据，大大提升数据分析的效率。 一站式开发体验 大数据开发技术

查看更多 →

非联通用户请查看 设备接入服务 。 作为设备用户，您既是设备的购买者，又可能是设备的实际管理者，通常您需要考虑两件事： 在采购设备时，如何评估设备满足您的业务需求并且具备接入物联网平台的能力。关于此方面的知识，您可以参考设备能力评估。 在进行日常管理时，针对不具备接入物联网平台的设备，如何将现有设备进行改造，

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 →