规则引擎 配置数据转发规则 导入导出规则 父主题： 设备集成指导

查看更多 →

决策树回归 概述 “决策树回归”节点用于产生回归模型。 决策树算法是递归地构建决策树的过程，用平方误差最小准则，进行特征选择，生成二叉树。平方误差计算公式如下： 其中是样本类标的均值，yi 是样本的标签，N 是样本数量。 输入 参数 子参数 参数说明 inputs dataframe

查看更多 →

决策树分类 概述 “决策树分类”节点用于产生二分类或多分类模型。 决策树是附加概率结果的一个树状的决策图，是直观的运用统计概率分析的图法，树中的每一个节点表示对象属性的判断条件，其分支表示符合节点条件的对象，树的叶子节点表示对象所属的预测结果。其通过基尼不纯度（Gini impu

查看更多 →

规则引擎 创建规则引擎源端 创建规则引擎目的端 父主题： 设备集成API（V1）

查看更多 →

规则引擎 创建规则 查询规则 批量删除规则 调试规则 删除规则 查询规则详情 修改规则 添加目标数据源 查询目标数据源列表 删除目标数据源 添加源数据源 查询源数据源列表 删除源数据源 父主题： 设备集成API

查看更多 →

规则引擎 规则引擎介绍 数据转发流程 SQL语句 连通性测试 数据转发至华为云服务 数据转发至第三方应用 查看数据转发通道详情 数据转发积压策略配置 数据转发流控策略配置 设备联动

查看更多 →

台支持两种联动规则：云端规则和端侧规则。例如，当用户选择云端规则，执行动作为“发送通知”时，物联网平台对接华为云的消息通知服务SMN，进行主题消息的设置和下发。当用户选择端侧规则时，云平台会将规则下发到设备侧，由端侧设备对平台下发的规则进行统一的管理和执行。 数据转发 数据转发无

查看更多 →

决策表”，单击表头后的，可对决策表进行排序，也可启用/禁用对策表。 图1 决策表管理 表1 “决策表管理”页签说明 参数名 参数说明 名称 决策表的名称。 在创建决策表时配置的名称。 标签 决策表的展示标签。 在创建决策表时配置的标签。 描述 决策表描述信息。 最后修改人 最近一次修改决策表的用户名。 最后修改时间

查看更多 →

创建规则引擎源端 功能介绍 在ROMA Connect创建规则引擎源端。 URI POST /v1/{project_id}/link/instances/{instance_id}/rules/sources 表1 参数说明 名称 类型 是否必填 描述 project_id string

查看更多 →

“决策表”。 设置决策表的标签和名称，单击“添加”。 图1 创建决策表 设置输入参数和输出参数，并配置规则。 单击输入参数或者输出参数后的“+” ，可增加参数。 单击参数后的，可设置数据类型和描述信息。 图2 设置数据类型 单击“添加规则”，可设置输入参数和输出参数之间的值映射规则，从下拉框选择配置逻辑。

查看更多 →

管理应用中的决策表 决策表是分析和表达多逻辑条件下，执行不同操作情况的工具。在AstroZero环境配置中，可管理当前账号下所有的决策表，包括查看、启用、禁用决策表。 约束与限制 在AstroZero沙箱环境和生产环境，才会显示此菜单。在沙箱环境和生产环境中，操作完全相同，本章节以在生产环境中操作为例。

查看更多 →

创建规则引擎目的端 功能介绍 在ROMA Connect创建规则引擎目的端。 URI POST /v1/{project_id}/link/instances/{instance_id}/rules/destinations 表1 参数说明 名称 类型 是否必填 描述 project_id

查看更多 →

决策树回归特征重要性 概述 采用决策树回归算法计算数据集特征的特征重要性。 输入 参数 子参数 参数说明 inputs dataframe 参数必选，表示输入的数据集；如果没有pipeline_model和decision_tree_regressor_model参数，表示直接根

查看更多 →

决策树分类特征重要性 概述 采用决策树分类算法计算数据集特征的特征重要性。 输入 参数 子参数 参数说明 inputs dataframe 参数必选，表示输入的数据集。 如果没有pipeline_model和decision_tree_classify_model参数，表示直接根

查看更多 →

SMN，进行主题消息的设置和下发。 例如：设置水表的电池电量阈值为小于等于20%时，上报电池电量过低的告警，用户就能及时了解设备的供电情况，以便及时更换电池。 数据转发规则 数据转发无缝与华为云其他服务对接，实现设备数据按需转发和处理，您无需线下购买和部署 服务器 ，即可实现设备数据的存储、计算、分析的全栈服务：

查看更多 →

数据分析 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）

查看更多 →

“随机决策森林回归”节点用于产生回归模型。随机决策森林是用随机的方式建立一个森林模型，森林由很多的决策树组成，每棵决策树之间没有关联。当有一个新的样本输入时，该样本取值为所有决策树的预测值的平均值。 随机决策森林回归中的决策树算法是递归地构建决策树的过程，用平方误差最小准则，进行特征选择，生成二叉树。平方误差计算公式如下：

查看更多 →

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。 调整参数和超参数。 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。

查看更多 →

引导式创建应用，入门更轻松 为帮助新用户快速了解和使用CodeArts Deploy，部署服务针对新用户新增“引导式创建”功能。采用决策树的引导方式，使用户快速上手部署服务，降低使用成本，入门更轻松。 父主题： 功能特性

查看更多 →

回归 决策树回归 梯度提升树回归 LightGBM回归 线性回归 随机森林回归 父主题： 模型工程

查看更多 →

随机决策森林是用随机的方式建立一个森林模型，森林由很多的决策树组成，每棵决策树之间没有关联。当有一个新的样本输入时，森林中的每一棵决策树分别进行判断，哪一类被选择最多，就预测这个样本属于那一类。 随机决策森林分类中的决策树算法通过基尼不纯度（Gini impurity）或熵（En

查看更多 →