梯度提升树分类特征重要性 概述 采用梯度提升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gbt_classify_model参数，表示直接根据数据集训练gbdt分类模型得到特征重要性

查看更多 →

梯度提升树回归特征重要性 概述 采用梯度提升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gbt_regressor_model参数，表示直接根据数据集训练梯度提升树回归模型得到特征重要性

查看更多 →

> 新增特征”，界面新增“新增特征”内容。 对应参数说明，如表6所示。 表6 参数说明 参数 参数说明 表达式 生成新特征的表达式，目前支持对已有特征进行加减乘除、取余、幂方、取模等多种常见运算操作。 支持对多列进行运算生成新特征。 新列名 新特征名称。 在此列前 输入特征名称，则新增的特征展示在此特征之前。

查看更多 →

值为创建新容器的CPU核数。 内存配额：执行特征选择作业和训练作业时，会创建新容器来执行，该参数的值为创建新容器的内存。 样本粗筛：当己方数据过大无法导出成文本文件时，可以使用样本粗筛获取合作方的明文id前缀，使用大数据组件筛选出id前缀相符的数据，达到减少数据量的目的。样本粗筛

查看更多 →

发环境，支持对模型进行编辑修改后，生成新模型包。同时支持多模型组合编排生成新模型。支持将模型下载至本地、生成SHA256校验码、上架至NAIE服务官网、发布成在线推理服务，进行在线推理、创建联邦学习实例、删除模型。 模型验证 模型验证是基于新的数据集或超参，对模型训练服务已打包的

查看更多 →

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 →

APP特征信息中，MD5值如何填写？ APP特征信息中的MD5值，指的是APP证书的数字指纹值。对于安卓版APP，请填写证书的MD5值（以16进制形式填写）。对于苹果版APP，请填写证书的SHA-1值（以16进制形式填写）。 父主题： APP备案FAQ

查看更多 →

数据采样 用户在执行特征操作前，可以先对数据进行采样。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，提升特征操作的处理速度。数据采样后，执行全量数据应用时，系统会将特征操作流应用在全量数据集上，生成经过特征处理后的新数据集，提供给模型训练使用。

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 →

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 →

特征工程处理过的数据，不能再用相同的特征工程进行二次处理。 ：使用当前数据创建新的特征工程。创建特征工程的方法请参见创建特征工程。 ：跳转至“模型训练”页面。模型训练操作请参见模型训练。 DatasetService数据集 DatasetService数据集是模型训练服务预置的数

查看更多 →

特征工程服务创建时间 类型 特征工程服务 创建者 创建特征工程服务的用户 活动时间 最近一次特征工程任务执行的时间 创建新的特征工程任务，详细请参考创建特征工程任务 删除特征工程服务 2（特征工程任务） 根据状态快速检索验证任务 任务名称 特征工程任务的名称 任务创建时间 特征工程任务创建的时间

查看更多 →

已创建应用元模型，具体请参见模型目录（新版）。 操作步骤 在开天 集成工作台 界面中，选择左侧导航栏中的“应用模型 > 实例管理”。 单击实例“控制台”，弹出“模型地图和模型目录上新啦”对话框，单击“体验新版”，选择“模型地图”。 如果没有对话框出现，选择“模型地图”，右上角单击“体验新版”，切换至新版模型地图。 在搜索

查看更多 →

为[1-128]个字符。 展开高级配置，用户可以根据界面展示的左数据特征、左数据类型、右数据特征、右数据类型，手动配置需要匹配的特征列。 单击“确定”，执行数据联合。 数据联合完成后，系统在目标数据集下生成一份新数据，名称即为目标数据实例名称。 父主题： 数据集

查看更多 →

异常检测学件服务，通过数据特征画像识别数据类型，自动推荐训练算法与特征，采用无监督、有监督和动态基线等进行联合检测，通过专家经验对训练与检测进行调优，得到最终检测结果。模型训练完成后，可以将特征画像的结果、特征和参数、模型和参数都保留下来。后面仅需要使用新的数据，重训练模型，不用再重新做特征分析和模

查看更多 →

- 目标列通过标签编码得到的新列名，默认为label_index chi_features_col - 调用spark卡方选择需要的输入特征向量列名，默认为input_features chi_output_col - 调用spark卡方选择需要的输入特征向量列名，默认为output_features

查看更多 →

如果存在多个数据操作流，可重命名操作流对象的变量名，以避免冲突。 单击图标，运行“数据替换”代码框内容。 数据映射 将特征列中的数据映射替换为用户需要的数据后，生成一个新的特征列。原有特征列不受影响，仍然保留。 操作步骤如下所示。 单击界面右上角的图标，选择“数据处理 > 数据清洗 > 数据映射”，界面新增“数据映射”内容。

查看更多 →

288维特征。 数据中心训练数据集 提供用于数据中心场景AI模型训练的数据，包括数据中心制冷系统、硬盘等设备的运行状态等数据。 场景案例 DC硬盘故障检测：通过对老化硬盘和新硬盘的关键参数对比，实现提前30~45天故障预测，确保硬盘数据不丢失。提供1个训练集，24维特征。 DC

查看更多 →

INPUT ] [ SYMBOL class_name ] [ URI hdfs_path_to_jar ] 描述 通过给定的定义创建一个新的函数。 每一个函数都由其限定函数名称和参数类型列表唯一标识。“qualified_function_name”的格式需要为“catalog

查看更多 →

单击算子类对象前图标，即可收回其子类和算子。 预置算子不可修改。如果需进行修改，需拖拽至画布中，右键算子选择编辑代码进行修改，修改后会保存为新的算子，修改内容不会覆盖原有的预置算子。 自定义算子 自定义算子类别中展示开发者自行开发的算子，如图1中蓝色框所示，初始为空。 该界面包含新

查看更多 →

描述：简要描述任务，不能包含“@^\#$%&*<>'|"/`”，输入长度不能超过256个字符。 视频文件：请选择视频库的路径。 单击“生成视频特征”，平台根据大模型算法自动生成视频特性。生成新视频特征会覆盖原视频库信息，请谨慎操作。 当前一个用户只支持配置一个视频库。 视频检索 在左侧菜单栏中单击“智驾模型服务

查看更多 →