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 →

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 →

分类 决策树分类 梯度提升树分类 LightGBM分类 线性支持向量机分类 逻辑回归分类 多层感知机分类 朴素贝叶斯分类 随机森林分类 FM算法 GBDT PMML模型预测 多层感知机分类(pytorch) 多层感知机预测(PyTorch) 父主题： 模型工程

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 →

随机森林分类 概述 “随机决策森林分类”节点用于产生二分类或多分类模型。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，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

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 →

梯度提升树分类 概述 “梯度提升树分类”节点用于生成二分类模型，是一种基于决策树的迭代分类算法。该算法采用迭代的思想不断地构建决策树模型，每棵树都是通过梯度优化损失函数而构建，从而达到从基准值到目标值的逼近。算法思想可简单理解成：后一次模型都是针对前一次模型预测出错的情况进行修正

查看更多 →

分类 添加节点 编辑节点 管理属性 布局属性 生效节点 失效节点 删除节点 父主题： 数据模型管理

查看更多 →

。 常规配置：通过界面点选算法使用的常规参数，具体支持的参数请参考表1。 表1 常规配置参数 算法类型 参数名 参数描述 XGBoost 学习率 控制权重更新的幅度，以及训练的速度和精度。取值范围为0~1的小数。 树数量 定义XGBoost算法中决策树的数量，一个样本的预测值是多

查看更多 →

欠拟合的解决方法有哪些？ 模型复杂化。 对同一个算法复杂化。例如回归模型添加更多的高次项，增加决策树的深度，增加神经网络的隐藏层数和隐藏单元数等。 弃用原来的算法，使用一个更加复杂的算法或模型。例如用神经网络来替代线性回归，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。

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 →

分类算法中的难例图片判断 对分类结果进行判断。 接口调用 hard_sample_classification_filter(inputs,input_size) 参数说明 表1 参数说明 参数名 是否必选 参数类型 描述 inputs 是 list 类别得分，例如[class1-score

查看更多 →

文章分类 管理文章的分类，管理员可添加、编辑、删除文章分类。 在“知识”下拉菜单选择“知识”，进入 知识管理 界面。 单击“公告”>“文章分类”，单击“添加分类”。输入内容后单击“确定”，完成添加。 单击“添加子分类”，还可添加二级分类，更好管理企业知识内容。 父主题： 公告

查看更多 →

问答分类 管理问答的分类，管理员可添加、编辑、删除问答分类。 在“知识”下拉菜单选择“知识”，进入知识管理界面。单击“问答”> “分类”。可添加二级子分类。 父主题： 问答

查看更多 →

分类设置 视频点播支持对上传的音视频文件进行分类，方便快速按分类进行音视频搜索。除了在控制台进行分类管理，您还可以通过API实现分类信息管理，具体请参见媒资分类接口。 使用限制 最多支持添加128个分类。 最多支持创建3级子类。 若未设置分类，上传的音视频默认归类在“其它”分类中。

查看更多 →

LightGBM分类 概述 对mmlspark python包中LightGBM分类的封装 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 spark pipeline类型的模型

查看更多 →

分类&映射 查看已有分类映射 创建/复制/编辑分类映射 管理分类映射 父主题： 运营对象管理

查看更多 →

Python 环境要求 Python 3.0及以上版本。 引用库 requests 2.18.1 请自行下载安装Python 3.x，并完成环境配置。 打开命令行窗口，执行pip install requests命令。 执行pip list查看安装结果。 本文档所述Demo在提供

查看更多 →

Python 样例 发送短信（示例1）、发送分批短信（示例1） 发送短信（示例2）、发送分批短信（示例2） 接收状态报告、接收上行短信 环境要求 基于Python 3.7.0版本，要求Python 3.7及以上版本。 引用库 requests 2.18.1（仅示例1引用） 请自行下载安装Python

查看更多 →

2018.3.5或以上版本，可至IntelliJ IDEA官方网站下载。 获取并安装Python安装包（可使用2.7.9+或3.X，包含2.7.9），可至Python官方下载页面下载。 Python安装完成后，在命令行中使用pip安装“requests”库。 pip install

查看更多 →

information. >>> 如果未安装Python，请使用以下命令安装： yum install python Python版的Kafka客户端 执行以下命令，安装推荐版本的kafka-python： pip install kafka-python==2.0.1 生产消息 以下加粗

查看更多 →