VPS定位能力与人的视觉定位能力类似，需要捕捉环境中的特征点作为定位依据。如果面对某特定场景，人能够仅靠视觉信息完成定位，则VPS基本也可完成定位。因此应尽量选择特征点丰富（例如门窗、桌椅等形状特征，或者贴图、装饰等纹理特征）的场景环境。场景中的视觉特征点越丰富，VPS定位效果越精准，AR内容展示和AR导航效果越好。

查看更多 →

“FiBiNET”算法新增限制： 特征方必须要有两个及以上离散特征，连续特征可有可无。 标签方可以不提供任何特征，如果标签方提供特征也要遵循1规则。 其他算法无限制 选择完成后单击“下一步”。 在所选数据集中只能有一个字段是标签。 训练时需勾选使用的特征选项，勾选后可以跳过特征分箱，直接进行训练。

查看更多 →

元素为1，其余为0 特征放缩 连续型 适合连续特征。将特征的取值范围缩放到[min，max]的范围，推荐min=0,max=1 标准化 连续型 将特征的取值标准化为均值=0，标准差=1的高斯分布 异常值处理 连续型 对特征数据进行异常值定义和处理。对连续特征的数值范围定义合理区间

查看更多 →

，用随机森林来代替决策树。 增加更多的特征，使输入数据具有更强的表达能力。 特征挖掘十分重要，尤其是具有强表达能力的特征，可以抵过大量的弱表达能力的特征。 特征的数量并非重点，质量才是，总之强表达能力的特征最重要。 能否挖掘出强表达能力的特征，还在于对数据本身以及具体应用场景的深刻理解，这依赖于经验。

查看更多 →

路径不能包含中文。 核函数特征交互神经网络-PIN 核函数特征交互神经网络是深度网络因子分解机的改进版本，深度网络因子分解机通过向量点乘来计算特征之间的关系，而核函数特征交互神经网络使用不同的核（kernel）来对特征交互进行建模，以此来计算两个域中特征的相互关系，其中核的种类包

查看更多 →

度神经网络对于特征表达的学习，同时学习高阶和低阶特征组合，从而达到准确地特征组合学习，进行精准推荐。DEEPFM算法参数请参见深度网络因子分解机。 核函数特征交互神经网络是深度网络因子分解机的改进版本，深度网络因子分解机通过向量点乘来计算特征之间的关系，而核函数特征交互神经网络使

查看更多 →

该文件为JSON格式，包含特征名、特征大类、特征值类型。 新的全局特征配置文件（new_global_features_info）包含的特征是在原作业ID（job_id）对应的全局特征配置文件的特征基础上新增的一些特征或者删除一些特征；两份文件重复的特征名对应的特征类型必须保持一致。 响应消息

查看更多 →

Python和Spark开发平台 创建特征工程 数据采样 列筛选 数据准备 特征操作 Notebook开发 全量数据应用 发布服务 父主题： 特征工程

查看更多 →

参考下图填写参数信息。（1）指定连接器为localConnector，选择数据文件的路径，填写数据名称；（2）字段配置中特征字段（x_{特征序号}）均配置为字段类型：FLOAT，字段类别：特征，特征类型：连续；标签字段（label）配置为字段类型：INTEGER，字段类别：标签。 图3 配置数据集参数

查看更多 →

数据业务吞吐量。提供1个训练集，29维特征。 Massive MIMO广播波束优化：基于对话务分布、无线干扰、小区负载等因素的分析，快速对Massive MIMO广播波束寻找最优Pattern组合，提升小区吞吐量。提供1个训练集，12维特征。 基站智能关断节能：基于准确的基站流量

查看更多 →

Signature Link：特征联接，指在实体和特征之间建立联接。 ABM元模型引擎中构建的一个MOF M1层元模型，命名为FabricSample元模型，用于阐述上面的六要素的概念。此M1层元模型包括： 两个实体：Actor、 BusinessDataObject。 一个特征：Digital

查看更多 →

合操作： 数据连接：将特征列维度不完全相同的两份数据，合并成一份数据，用于扩展特征维度。 数据联合：将两份数据合并成一份数据，用于增加样本量。 数据连接 数据连接可以将特征维度不完全相同，且必须至少一个特征是相同的数据集，通过数据连接，合并成一个具备更多特征列的数据集。 数据连接

查看更多 →

样例数据导入模型训练服务 在项目概览界面，单击菜单栏中的“特征工程”，进入“特征工程”界面。 单击界面右上角的“特征处理”，弹出“特征处理”对话框。 请根据实际情况，配置如下参数： 工程名称：特征工程名称。 开发模式：请选择“Jupyterlab交互式开发”。 规格：选择Jupyterlab环境部署的容器规格大小。

查看更多 →

样例数据导入模型训练服务 在项目概览界面，单击菜单栏中的“特征工程”，进入“特征工程”界面。 单击界面右上角的“特征处理”，弹出“特征处理”对话框。 请根据实际情况，配置如下参数： 工程名称：特征工程名称。 开发模式：请选择“Jupyterlab交互式开发”。 规格：选择Jupyterlab环境部署的容器规格大小。

查看更多 →

个性化配置 匹配特征对 匹配用户和物品特征，以便于筛选出该用户相关联的物品进行推荐。 用户特征名：从下拉框中选择目标用户特征用于和物品特征进行匹配。 物品特征名：从下拉框中选择目标物品特征用于匹配用户特征，更好的做出推荐。 权重：取值为0.01-1。权重越高，该匹配特征所被优先推荐的概率越高。

查看更多 →

用户自匹配 物品自匹配 用户匹配物品 匹配特征对 用户和物品相关联特征。请根据实际情况配置参数，如果属性匹配特征对相似度较高内存不够时需提升配置。您可以单击进入“添加匹配特征对”页面进行配置。设置特征对的别名、根据全局特征信息文件匹配用户特征名和物品特征名，设置权重。 - 推荐个数 推荐给用户的物品最大个数。

查看更多 →

。也可单击“增加属性权重”。 公共配置 “全局特征信息文件” 为json格式文件。指定在去重过滤即属性过滤中物品属性和用户属性的特征信息文件，如物品属性需要“feature_name”、“feature_type”、“feature_value_type”字段来表示特征名，特征类型以及特征值类型。需预先存储在OBS中。

查看更多 →

data一共有6列特征，分别为time、col_1、col_2、col_3、col_4、col_5。其中“time”为时间列，后面五列为KPI特征列。 在项目概览界面，单击菜单栏中的“特征工程”，进入“特征工程”界面。 单击界面右上角的“特征处理”，弹出“特征处理”对话框。 请根据实际情况，配置如下参数：

查看更多 →

由于注入水印的原理是将水印原子信息嵌入到不同特征的数据中去，因此源数据特征越多，越能嵌入完整的水印信息、提高提取成功率，并且即使缺失部分数据也不影响水印提取。所以对需要注入水印的数据有如下要求： 待注入水印的源数据需要大于等于1000行。 小于1000行的源数据有可能因为特征不够导致提取水印失败。

查看更多 →

口，对应模型管理章节截图更新。 Jupyterlab算子菜单位置及算子分组变更，对应特征工程章节菜单入口描述变更。 Jupyterlab特征工程选择数据增加时序数据选择，并支持多数据选择，对应特征工程章节操作截图全量更新。 2020-03-30 模型训练服务界面优化，模型训练服务操作界面截图全量更新。

查看更多 →

。 页面左侧信息栏选择“静态特征”，选择“自然环境”、“基础特征”和“公共服务”进行静态特征的选择。选择“动态特征”，选择“交通特征”和“气象变化”进行动态特征的选择。单击监测指标、站点分布进行选择。单击高危点位开关【开/关】按钮进行选择。 页面底部单击时间轴的【天】和【时】的按

查看更多 →