，执行当前的特征操作流。添加的数据集，必须满足特征维度和特征列数量与当前特征工程绑定的数据集一致，否则会执行失败。 使用JupyterLab开发平台创建的算法工程，界面所有特征操作执行完成后，单击界面右上角的图标，选择“数据处理 > 数据集 > 生成 数据实例 ”，在新增的“生成数据

查看更多 →

发布服务 如果当前特征工程操作流处理效果比较好，可以得到比较优质的训练数据，可以将当前的特征工程发布成服务。复用此特征工程服务对其他数据进行相同的特征操作。 发布特征工程服务 在特征工程首页的“特征工程”页签，单击特征工程对应“操作”列的，在展开的下拉框中单击图标。 弹出“发布服务”对话框。配置对话框参数：

查看更多 →

筛选历史，筛选记录内的规则名即为此处设置的筛选规则名称，单击筛选历史记录内的筛选规则名可以查看对应的筛选结果。 可选特征：展示当前数据的所有特征信息。 已选特征：展示用户在“可选特征”中勾选出的所有特征，支持删除已选特征。 在“可选特征”框中勾选需要显示的特征列。 同时包含下述操作：

查看更多 →

开启智能访问控制规则后，WAF中的压力学习模型会根据源站返回的HTTP状态码和时延等来实时地感知源站的压力，从而识别源站是否被CC攻击了，WAF再根据异常检测模型实时地检测源站在HTTP协议上的特征的异常行为，然后基于这些异常特征，使用AI算法生成精准防护规则和CC防护规则，来防御CC攻击，保护您的网站安全。

查看更多 →

需求单击增加物品特征。单击特征后方的删除不需要的物品特征。 您可以从“应用于”右侧的下拉选项中设置该数据的使用维度是“兴趣属性”或者“关键词提取”。其中： 兴趣属性，此特征将会用于统计用户的兴趣标签，并生成特征名为“interested_原特征名”的特征。 关键词提取，只有当关键

查看更多 →

行数 数据的样本数量。 列数 数据的特征列数量。 状态 数据的当前状态。 创建时间 数据创建的时间。 操作 可对数据执行的操作： ：查看数据详情。 ：修改数据信息，包括：实例别名、数据类型、文件编码、分隔符、标题行。 ：删除数据。 ：对数据执行已有特征工程的操作流，并生成新的数据。特

查看更多 →

Box-Cox变换 用于连续的响应变量不满足正态分布时，进行数据变换，达到接近正态分布的目的。Box-Cox变换的主要特点是引入一个参数，通过数据本身估计该参数，进而确定应采取的数据变换形式。 使用Box-Cox变换的优点： 数据得到的回归模型优于变换前的模型，变换可以使模型的解释力度等性能更加优良。

查看更多 →

被访问的。实体与实体特征之间的关系默认为组合关系（Composition）。 关系的类型，可默认选择的部分关系类型如下： 被使用：被使用关系，即两个类（起点类和终点类）中一个类的变更会影响到另一个类的关系。 组合：组合关系，体现整体与部分间的关系，但此时整体与部分是不可分的，整体

查看更多 →

业开发的框架，如Tensorflow、Spark MLlib、MXNet、PyTorch、华为自研AI框架MindSpore等。 数据集 某业务下具有相同数据格式的数据逻辑集合。 特征操作 特征操作主要是对数据集进行特征处理。 在旧版体验式开发模式下，模型训练服务支持的特征操作有

查看更多 →

通过手动解除拦截的方式，解除拦截的可信IP。 Linux，Windows √ √ √ √ √ 恶意文件检测 反弹shell：实时监控用户的进程行为，可及时发现并阻断进程的非法Shell连接操作产生的反弹Shell行为。 异常shell：检测系统中异常Shell的获取行为，包括对S

查看更多 →

中展示的特征列的个数即为设置的“选择特征数”值。列表默认按照相关性评分降序展示所有的特征列。 选择特征列。 保留分析结果所有Top N个特征列。 单击Top N柱状图结果下方的“应用”。 页面跳转至JupyterLab环境编辑区域并生成“选择特征”代码框，“列选择”下展示的“列名”为柱状图展示的所有特征列。

查看更多 →

批处理、近线流处理、在线实时处理的三种数据处理方式，提供完备的一站式推荐平台，可快速设置运营规则进行AB测试。 功能优势： 全开放推荐流程，用户根据业务自定义推荐流程。 特征工程，特征处理多样化，支持自定义特征散列等。 丰富的推荐策略，提供丰富的召回、过滤、排序算子。 运营助手，

查看更多 →

算法工程处理的时候必须要先采样吗？ 算法工程数据采样的目的是提升界面每个特征操作的速度。大数据量操作的时候建议先采样。数据采样后所有的特征操作，都只对采样后的数据进行处理，可以减少特征操作处理的数据量。 父主题： 特征工程

查看更多 →

采用卡方检验来进行特征选择。 卡方检验（Chi-Squared Test或χ2 Test）的基本思想是通过特征变量与目标变量之间的偏差大小来选择相关性较大的特征变量。首先假设两个变量是独立的，然后观察实际值与理论值的偏差程度，该偏差程度代表两个变量之间的相关性。如果某个特征变量与目标变

查看更多 →

主要实现对KPI的数据分布特征进行分析，自动选择特征及参数。并提供四大类，80+特征的自动提取。 模型管理模块 主要实现根据KPI的标签、数据分布特征等进行异常检测算法的自动选择、参数设置及模型训练、推理。 数据交互模块 主要支撑公共学件与用户的交互，包括数据管理、数据的可视化展示、专家经验注入等。

查看更多 →

8：图像的饱和度与训练数据集的特征分布存在较大偏移。 9：图像的色彩丰富程度与训练数据集的特征分布存在较大偏移。 10：图像的清晰度与训练数据集的特征分布存在较大偏移。 11：图像的目标框数量与训练数据集的特征分布存在较大偏移。 12：图像中目标框的面积标准差与训练数据集的特征分布存在较大偏移。

查看更多 →

用户可以通过数据去噪，筛选掉时间序列中的异常数据。噪声分析方法： 通过局部线性回归的方法对数据进行平滑处理，得到每个点对应的预测值。 通过观测值与预测值之间的误差error的3sigma确定误差上限，超出上限的点为噪声点。 系统会从原始数据中去除上述噪声点，并采用线性插值的方法对去除噪声的数据进行填充。操作步骤如下。

查看更多 →

8：图像的饱和度与训练数据集的特征分布存在较大偏移。 9：图像的色彩丰富程度与训练数据集的特征分布存在较大偏移。 10：图像的清晰度与训练数据集的特征分布存在较大偏移。 11：图像的目标框数量与训练数据集的特征分布存在较大偏移。 12：图像中目标框的面积标准差与训练数据集的特征分布存在较大偏移。

查看更多 →

待进行时间特征提取的时间列。 预提取时间特征 要提取的时间特征。默认为“全量提取”，指提取全部的时间特征。此外还支持提取“年”、“月”、“日”、“时”、“分”、“秒”、“星期几”、“一年中的第几天”、“一年中的第几周”、“季”这些时间特征。 新列名 提取出时间特征后产生的新特征列的列

查看更多 →

实例名称、时间、状态。其中“操作”列，支持重新执行全量数据应用操作、基于新生成的数据实例创建算法，或删除新生成的数据实例操作。 在数据集页面查看应用特征操作流后生成的新数据集实例，“数据集”中此类数据的数据来源为“FEATURE”。 父主题： Python和Spark开发平台

查看更多 →

采样方法 数据样本采样的方法。 包含如下方式： 随机采样：随机选取指定数量的样本。 随机百分比：随机选取指定百分比的样本。 前N条：按照从前往后的顺序选取指定数量的样本。 全量：选取全部样本。 采样参数 采样方法为“随机采样”或“前N条”时，取值为记录数；采样方法为“随机百分比”时，取值为百分比。

查看更多 →