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 →

model_input_features_col - 特征向量的列名 prediction_col - 训练模型时，预测结果对应的列名，默认为"prediction" max_depth - 树的最大深度，默认为5 max_bins - 分割特征时的最大分箱个数，默认为32 min_instances_per_node

查看更多 →

完成该培训后，您将熟悉物联网的基本概念、发展历程、相关国家政策，掌握物联网技术架构知识，把握新技术（5G、AI）对物联网发展趋势的影响，全方位了解智慧家庭、园区及城市行业发展趋势与典型应用场景。 培训内容 培训内容 说明 物联网的前世今生 物联网概念，发展趋势，AIoT的概念与发展，物联网对政府和企业的重要性

查看更多 →

model_input_features_col - 特征向量的列名 prediction_col - 训练模型时，预测结果对应的列名，默认为"prediction" max_depth - 树的最大深度，默认为5 max_bins - 特征分裂时的最大分箱个数，默认为32 min_instances_per_node

查看更多 →

- 训练模型时，预测结果对应的列名，默认为"prediction" max_depth - 树的最大深度，默认为5 max_bins - 特征分裂时的最大分箱个数，默认为32 min_instances_per_node - 树分裂时要求每个节点必须包含的实例数目，默认为1 min_info_gain

查看更多 →

页签，进入 云服务器 页面。 如果您的 服务器 已通过企业项目的模式进行管理，您可选择目标“企业项目”后查看或操作目标企业项目内的资产和检测信息。 勾选目标服务器，单击列表上方的“关联资产重要性”。 图1 关联资产重要性 在弹窗中“资产重要性”项选择对应的资产重要等级。 确认无误，单击“确认”，完成关联。

查看更多 →

prediction_col - 训练模型时，预测结果对应的列名，默认为"prediction" max_depth - 树的最大深度 max_bins - 分割特征时的最大分箱个数 min_instances_per_node - 决策树分裂时要求每个节点必须包含的实例数目 min_info_gain

查看更多 →

prediction_col - 训练模型时，预测结果对应的列名，默认为"prediction" max_depth - 树的最大深度 max_bins - 特征分裂时的最大分箱个数 min_instances_per_node - 树分裂时要求每个节点必须包含的实例数目，默认为1 min_info_gain

查看更多 →

model_input_features_col - 特征向量的列名 prediction_col - 训练模型时，预测结果对应的列名，默认为"prediction" max_depth - 树的最大深度，默认为5 max_bins - 特征分裂时的最大分箱个数，默认为32 min_instances_per_node

查看更多 →

箱型图 分桶统计 相关性分析 决策树分类特征重要性 决策树回归特征重要性 梯度提升树分类特征重要性 梯度提升树回归特征重要性 孤立森林 百分位 百分位统计 直方图 折线图 饼形图 散点图 随机森林分类特征重要性 随机森林回归特征重要性 全表统计 单样本t检验 直方图（多字段） 卡方拟合性检验

查看更多 →

过滤式特征选择 概述 过滤式特征选择根据特征对标签的重要性对特征进行筛选，特征重要性较高的特征，提升训练的精度和效率。 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 参数 子参数

查看更多 →

PageRank算法。该算法继承了经典PageRank算法的思想，利用图链接结构来递归计算各节点的重要性。与PageRank算法不同的是，为了保证随机行走中各节点的访问概率能够反映出用户的偏好，PersonalRank算法在随机行走中的每次跳转会以（1-alpha）的概率返回到source节点，因此可以

查看更多 →

蒙特卡洛采样 拉丁超立方采样 拉丁超立方采样的目的是用较少的采样次数，来达到与多次蒙特卡洛采样相同的结果，并且涵盖更全面的边界点。 如下图所示，同样对于µ=0，δ=1的正态分布，可以利用更少的采样点得到相同的分布，并且不会产生明显的聚集现象，边界值也能更容易获取到。 图2 拉丁超立方采样 联合概率分布采样

查看更多 →

蒙特卡洛采样是一种简单的随机抽样，根据概率分布进行采样，如对样本服从µ=0，δ=1的正态分布，通过蒙特卡洛采样进行采样，采样得到的点能满足正态分布要求，如下图所示，采样得到的点会集中µ=0附近，要想采样得到更边界的点，需要进行大量采样。 图1 蒙特卡洛采样 拉丁超立方采样 拉丁超立方采样的目的是

查看更多 →

化地计算网络节点的相关性和重要性（PersonalRank值越高，对source节点的相关性/重要性越高）。 k核算法（k-core） k-core是图算法中的一个经典算法，用以计算每个节点的核数。其计算结果是判断节点重要性最常用的参考值之一，较好的刻画了节点的传播能力。 k跳算法（k-hop）

查看更多 →

您可对基线检查的配置检查和经典弱口令检测的结果进行筛选导出。 新增 应用防护 为运行时的应用提供安全防御，您无需修改应用程序文件，只需将探针注入到应用程序，即可为应用提供强大的安全防护能力。包括但不限于对SQL注入、命令注入、反序列化输入、文件遍历、JSP执行操作系统命令等漏洞的扫描检测，操作详情请参见开启应用防护。

查看更多 →

主机管理 查看主机防护状态 导出主机列表 切换主机防护配额版本 部署防护策略 管理服务器组 管理服务器重要性 忽略服务器 关闭防护 父主题： 资产管理

查看更多 →

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 →

。 搜索框后的图标依次支持：刷新列表数据，设置列表展示字段。 图4 添加筛选条件 选择“全部待办”、“待处理的待办”、“我处理的待办”、“我创建的待办”对应的页签，展示对应的待办列表。 图5 待办列表展示 全部待办仅可显示与登录账号有关（创建人、责任人是登录账号）的待办单子，其他子账号的待办数据不会显示。

查看更多 →

关于关联服务商管理个人信息的须知 为给您提供服务之便，您了解和同意上传客户信息/华为账号信息/联系方式并授权您关联的服务商访问用于必要的管理并且授权服务商管理您的交易信息/订单信息。华为云深知隐私对您的重要性，对于您上传的相关信息，我们将采取相关安全保障措施，并依照华为云隐私保护

查看更多 →

背景信息 待审计的资产需要先录入云端，添加为审计资产，并进行日志上报配置，才能正常使用云日志审计服务。 前提条件 待审计资产已录入云端。 如果预审计资产尚未录入云端，请参见《部署指南》中“添加审计资产”章节完成相关准备工作。 操作步骤 登录华为乾坤控制台，选择“ > 我的服务 > 云日志审计”。

查看更多 →