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 →

特殊场景中只有物体的部分亮度较暗，可以看是否满足要求。 按清晰度统计框数量的分布 Clarity of Bounding Boxes 横坐标：目标框的清晰度，值越大表示越清晰。 纵坐标：框数量（统计所有图片中的框）。 主要用于判断待检测物体是否存在模糊的情况。比如运动中的物体在采集中可能变得模糊，需要重新采集。

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 →

特征尺度变换 概述 支持对稠密或稀疏的数值类特征进行常见的尺度变换，支持常见的log2、log10、ln、abs及sqrt等尺度变化函数。 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

查看更多 →

迁移并行文件系统内的对象数据有哪些限制？ 当待迁移对象所属文件层级过深时，建议通过创建迁移任务组进行迁移。如果通过创建迁移任务进行迁移，可能出现列举对象超时，导致列举中断。 父主题： 迁移限制

查看更多 →

创建预测分析自动学习项目时，对训练数据有什么要求？ 数据集要求 文件规范：名称由以字母数字及中划线下划线组成，以'.csv'结尾，且文件不能直接放在OBS桶的根目录下，应该存放在OBS桶的文件夹内。如：“/obs-xxx/data/input.csv”。 文件内容：文件保存为“c

查看更多 →

数据在 数据仓库 服务中是否安全？ 安全。在大数据时代，数据是用户的核心资产。公有云将继续秉承多年来向社会做出的“上不碰应用，下不碰数据”的承诺，保证用户核心资产的安全。这是对用户和社会的承诺，也是公有云及其伙伴商业成功的保障和基石。 数据仓库服务工程师对整个数据仓库系统进行了电信系

查看更多 →

数据仓库规格 GaussDB (DWS)的规格按照产品类型分为标准数仓、实时数仓和IoT数仓。其中实时数仓还包含单机版模式。各产品类型的不同差异，详情请参见数据仓库类型。 标准数仓（DWS 2.0）规格 标准数仓（DWS 2.0）云盘规格，该规格弹性伸缩，无限算力、无限容量，规格详情请参见表1。

查看更多 →

分析”，支持单机部署和集群部署两种部署方式。 IoT数仓：在标准数仓基础上，提供高效的时序计算和IoT分析能力，支持实时和历史数据关联，内置时序算子，最高40x压缩。适用于物联网IoT等实时分析场景。 GaussDB(DWS)数仓之间暂不支持互相访问，用户可通过创建的OBS外表，

查看更多 →

神经网络中：学习率、学习衰减率、隐藏层数、隐藏层的单元数、Adam优化算法中的β1和β2参数、batch_size数值等。 其他算法中：随机森林的树数量，k-means中的cluster数，正则化参数λ等。 增加训练数据作用不大。 欠拟合一般是因为模型的学习能力不足，一味地增加数据，训练效果并不明显。

查看更多 →

“运行中”等）。 数据集 数据名称。 创建人 创建特征工程的用户。 创建时间 创建特征工程的时间。 简介 特征工程的描述。 进入特征工程操作界面。 编辑特征工程相关信息，包括工程描述、AI引擎、规格等。 删除特征工程。 单击操作列图标后显示的下拉框中展示此图标。 下载特征工程包。

查看更多 →

discretization_bin_num 否 离散化连续特征区间数量 None is_sparse 是 是否是K:V的稀疏特征 False kv_col 否 稀疏特征列名 "" item_spliter 否 K:V特征中每个item之间的分隔符 "," kv_spliter 否 K:V特征中每个key与value之间的分隔符

查看更多 →

APP特征信息中，MD5值如何填写？ APP特征信息中的MD5值，指的是APP证书的数字指纹值。对于安卓版APP，请填写证书的MD5值（以16进制形式填写）。对于苹果版APP，请填写证书的SHA-1值（以16进制形式填写）。 父主题： APP备案FAQ

查看更多 →

快地创建和维护。 单表存储数据量 单表存储的数据量越大，查询性能就越差。当表中的数据量很大时，则需要考虑将数据进行分区存储。普通表若要转成分区表，需要新建分区表，然后把普通表中的数据导入到新建的分区表中。因此在初始设计表时，请根据业务提前规划是否使用分区表。 对表进行分区，一般需要遵循以下原则：

查看更多 →

数据识别和数据脱敏 DSC能够识别哪些数据源对象？ DSC的扫描时长和脱敏时长？ DSC支持的内置识别规则有哪些？ DSC支持的识别模板有哪些？ 数据脱敏是否对原始数据有影响？ DSC对可识别和脱敏的数据的字符集是否有要求？ 为什么创建数据库脱敏任务时，无法找到已有的数据库实例中的表？

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 →

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”，查看特征操作流详情，单击每个特征操作名称前面的圆形图标，可以查看每个操作的特征处理效果。

查看更多 →

单击“创建”。在特征工程首页的“特征工程”页签默认生成一行新的特征工程。 等待特征工程“环境信息”列状态由“创建中”变更为“运行中”，即JupyterLab环境实例创建完成。 可单击界面右上角的图标，从弹出的“环境信息”对话框中，查看环境的创建进展。 单击特征工程所在行，对应“操作”列的图标。

查看更多 →

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 参数名称 参数类型 说明 feature_name String 特征名称。 feature_type String 特征类型。 feature_value_type

查看更多 →

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 参数名称 参数类型 说明 feature_name String 特征名称。 feature_type String 特征类型。 feature_value_type

查看更多 →