所有的事实都必须保持同一个粒度。 不同的维度之间没有任何关联。 图1 星型模型 雪花模型是在基于星型模型之上拓展来的，每一个维度可以再扩散出更多的维度，根据维度的层级拆分成颗粒度不同的多张表。如图2。 优点是减少维度表的数据量，各个维度表之间按需关联。 缺点是需要额外维护维度表的数量。 图2 雪花模型 本实践基于TPC-DS的SS（Store

查看更多 →

维度建模是从分析决策的需求出发构建模型，它主要是为分析需求服务，因此它重点关注用户如何更快速地完成需求分析，同时具有较好的大规模复杂查询的响应性能。 多维模型是由数字型度量值组成的一张事实表连接到一组包含描述属性的多张维度表，事实表与维度表通过主/外键实现关联。 典型的维度模型有星形模型，以及在一些特殊场景下使用的雪花模型。

查看更多 →

注册业务模型和技术模型之间的关系 概述 注册业务模型和技术模型之间的关系是指注册业务模型中的逻辑实体和实体属性，即将资产目录中创建的业务模型和模型采集到的技术模型进行映射关联。将本身不可读的表、字段、API等信息全部转化为带有业务语义的模型，让各个部门、各个系统、各个开发者在用数

查看更多 →

模型测试 将样例数据中的测试数据集加载至当前学件项目中，进行数据预处理，并基于训练出的模型进行效果验证。 单击界面左下角的“加载数据”，弹出“加载数据”代码框，如图1所示。 需要配置的参数如下所示，其余参数保持默认值即可。 数据集：从下拉框中选择数据集“samples”。 数据集

查看更多 →

特征处理后生成的数据集，对应数据集实例“Train_fail_FE”。 运行超参：模型参数是模型内部的配置变量，参数值可以根据数据自动估算。参数是机器学习的关键，通常从过去的训练数据中总结得出。超参区别于参数，是模型外部的配置，必须手工设置和调整，可用于帮助估算模型参数值。请勾选

查看更多 →

模型管理 模型管理简介 创建模型 模型推理

查看更多 →

模型测试效果会通过表格的形式在下方展示。 第一列内容的含义如下所示： 0.0：标注为0的所有样本。可以理解为标签。 1.0：标注为1的所有样本。可以理解为标签。 macro average：所有标签结果的平均值。 weighted average：所有标签结果的加权平均值。 第一行内容的含义如下所示，即模型优劣的评价指标：

查看更多 →

果而言的。含义为在被预测为正的样本中实际为正样本的概率。 recall：召回率，又被称为查全率，是针对原样本而言的。含义为在实际为正的样本中被预测为正样本的概率。 support：每类标签出现的次数。 模型训练完成后，可以查看归档的模型文件，如模型训练目录说明所示。 模型训练目录说明

查看更多 →

模型管理 单击菜单栏中的“模型管理”，可在“模型管理”界面查看打包好的模型，如图1所示。 图1 模型管理 父主题： 使用模型训练服务快速训练算法模型

查看更多 →

发布模型 逻辑实体创建完成后，必须创建对应的物理实体，才可以发布逻辑模型。 操作步骤 在数据服务左侧导航，选择“工具箱>数据开发>数据建模”。 在左侧导航中，单击展开分层，选择一个分层。 在需要发布的逻辑实体对应的“操作”列下，单击>。 在“提示”对话框中单击“确认”。 在“确认”对话框中单击“确定”。

查看更多 →

自定义引擎 通过引擎的镜像地址自定义增加引擎。 主入口 训练任务的入口文件及入口函数。 计算节点规格 模型训练服务提供的计算节点资源，包括CPU和GPU。 用户可以单击选定计算节点资源，并在“计算节点个数”中配置计算节点资源的个数。 计算节点个数 计算节点的个数。 1代表单节点计算

查看更多 →

模型训练 导入SDK 选择数据 特征画像 模型选择 训练模型 测试模型 开发推理 归档模型 父主题： KPI异常检测学件服务

查看更多 →

模型管理 模型管理简介 创建模型包 编辑模型包 上架模型包至AI市场 发布推理服务 模型包完整性校验 父主题： 用户指南

查看更多 →

归档模型 模型训练完成后，支持归档模型。操作步骤如下所示。 单击界面右上角的“归档”图标，界面下方新增“归档”代码框。 配置新增的cell代码框右侧配置参数。 参数说明如下所示： 模型名：归档模型的名称。以字母开头，可由数字、大小写字母或中划线组成。示例：Learnware。 模型版本：归档模型的版本。格式为“xx

查看更多 →

训练详情 模型如何提升效果 检查是否存在训练数据过少的情况，建议每个标签的样本数不少于100个，如果低于这个量级建议扩充。 检查不同标签的样本数是否均衡，建议不同标签的样本数量级相同，并尽量接近，如果有的类别数据量很高，有的类别数据量较低，会影响模型整体的识别效果。 选择适当的学习率和训练轮次。

查看更多 →

评估模型 训练得到模型之后，整个开发过程还不算结束，需要对模型进行评估和考察。一次性很难获得一个满意的模型，需要反复的调整算法参数、数据，不断评估训练生成的模型。 一些常用的指标，如精准率、召回率、F1值等，能帮助您有效的评估，最终获得一个满意的模型。 前提条件 已在 自然语言处理

查看更多 →

评估模型 训练得到模型之后，整个开发过程还不算结束，需要对模型进行评估和考察。一次性很难获得一个满意的模型，需要反复的调整算法、数据，不断评估训练生成的模型。 一些常用的指标，如精准率、召回率、F1值等，能帮助您有效的评估，最终获得一个满意的模型。 前提条件 已在视觉套件控制台选

查看更多 →

评估模型 训练得到模型之后，整个开发过程还不算结束，需要对模型进行评估和考察。一次性很难获得一个满意的模型，需要反复的调整算法、数据，不断评估训练生成的模型。 一些常用的指标，如准确率、召回率等，能帮助您有效的评估，最终获得一个满意的模型。 前提条件 已在视觉套件控制台选择“第二

查看更多 →

评估模型 训练得到模型之后，整个开发过程还不算结束，需要对模型进行评估和考察。一次性很难获得一个满意的模型，需要反复的调整算法、数据，不断评估训练生成的模型。 一些常用的指标，如精准率、召回率等，能帮助您有效的评估，最终获得一个满意的模型。 前提条件 已在“ 工业智能体 控制台>工业

查看更多 →

聚合，是整体与部分的关系，且部分可以离开整体而单独存在。 Realization 实现，是一种类与接口的关系，表示类是接口所有特征和行为的实现。 Dependency 依赖，是一种使用的关系，即一个类的实现需要另一个类的协助。 Usage 使用，是一种使用的关系。表明一个模块在运行的时候，需要使用另外一个模块。

查看更多 →

引用到代码模型中的代码元素（包含关联空间中的引用的代码元素）； 如何检查 查询基于代码模型图构出的代码模型架构树，找出与架构方案不匹配（标红）的元素。 正确示例 架构层级规则示例： 关联父级：配置的是当前层级元素与上一层级的元素之间的连线类型和父子关系指向。 嵌套：是否支持当前类型的元素与同类型元素建立关系。 嵌套

查看更多 →