关于职业认证报考与备考 华为云职业认证 是针对什么群体？ 职业认证考试是在华为云上考吗？ 职业认证考试费用？ 是否参加培训后才能参加职业认证考试？ 参加高级别认证考试前是否需要先考取相应低级别认证？ 最佳备考方式是什么？ 考试地点如何选择？ 如果无法在预约时间参加考试，可否重新预约考试？

查看更多 →

认证，可选择“XXXX-批量”规格，购买后，可将批量生成的兑换码自己使用及发送给他人，用于微认证兑换； 如您为“机构、组织、学校”等，具有群体性购买需求，希望一次性购买≥2个同一微认证，可选择“XXXX-批量”规格，购买后，可将批量生成的兑换码发送给他人，用于微认证兑换。 父主题：

查看更多 →

Neighbors of Vertex Sets） 可以得到两个点集合（群体集合）所共有的邻居（即两个群体临域的交集），直观的发现与两个群体共同联系的对象，如发现社交场合中的共同好友、消费领域共同感兴趣的商品、社区群体共同接触过的人，进一步推测两点集合之间的潜在关系和联系程度。 点集全最短路（All

查看更多 →

，可选择“XXXX-批量”规格，购买后，可将批量生成的兑换码自己使用及发送给他人，用于开发者认证兑换； 如您为“机构、组织、学校”等，具有群体性购买需求，希望一次性购买≥2个同一开发者认证，可选择“XXXX-批量”规格，购买后，可将批量生成的兑换码发送给他人，用于开发者认证兑换。

查看更多 →

画像展现：支持通过精准搜索与模糊搜索进行目标对象画像查询，并支持通过以词云或列式的方式展现标签，直观地将业务对象特征信息进行展现。 群体圈选：支持基于标签和宽表字段进行业务对象筛选功能，灵活快速定位目标群体。 标签服务：支持将标签成果以服务的形式对外发布，并支持对标签服务调用情况进行监测 数据逻辑架构

查看更多 →

自动学习和订阅算法有什么区别？ 针对不同目标群体，ModelArts提供不同的AI开发方式。 如果您是新手，推荐您使用自动学习实现零代码模型开发。当您使用自动学习，系统会自动选择适合的算法和适合的参数进行模型训练。 如果您是AI开发进阶者，通过订阅算法进行模型训练有更多算法上的选择，并且您可以自定义训练所需的参数。

查看更多 →

特征处理操作完成后怎么应用于数据集全量数据？ 使用Python和Spark开发平台创建的特征工程，界面所有特征操作执行完成后，单击“执行”时，系统自动将特征操作流应用于数据集全量数据，生成经过特征处理的数据集，供模型训练使用。用户在单击“执行”时，可以在“执行”对话框中，选择其他

查看更多 →

创建智能场景 关联推荐 基于大规模机器学习算法，深度挖掘物品之间的联系，自动匹配精准内容。 热门推荐 基于多维度数据分析，自动匹配所覆盖用户群体更关心的内容进行重点展示。 获取推荐结果 根据不同的功能模块，获取对应的推荐结果。 获取推荐结果 父主题： 智能场景

查看更多 →

或签：任一个分配人均可审批：只需要接收人中的某一用户完成了审批，即可推动任务流程，走向下一个任务。 会签：每个分配人都需要审批：需要接收人中的用户群体，满足设置的审批条件，才可推动任务流程，走向下一个任务。 通过并行审批，可以快速的实现会签功能。可以将结果触发方式选择为“等待所有投票完成

查看更多 →

特征工程任务创建的时间 任务用时 特征工程任务的执行时长 任务状态 特征工程任务的执行状态 查看特征工程任务的超参配置 查看特征工程任务的运行日志 删除特征工程任务 基于特征工程服务创建特征工程任务，请参见创建特征工程任务。 删除特征工程服务。 用户也可以在特征工程服务页面，单击右上角的“创建”，基于其他特征工程新建特征工程服务。

查看更多 →

结果。 可选特征：展示当前数据的所有特征信息。 已选特征：展示用户在“可选特征”中勾选出的所有特征，支持删除已选特征。 在“可选特征”框中勾选需要显示的特征列。 同时包含下述操作： 单击图标，通过设置“列区间”、“列关键词”、“数据类型”、“数据质量”，快速查找特征列，如图2所示。

查看更多 →

该页面包含“用户特征”、“物品特征”、“正向行为类型”和“负向行为类型”等信息，具体描述请参见表1。 图1 确认特征抽取 表1 确认特征参数 参数名称 说明 用户特征 列表中展示抽取的用户特征和参数类型。您可以根据业务需求单击增加用户特征。单击特征后方的删除不需要的用户特征。 物品特征

查看更多 →

正则匹配 列名 特征名称。单击“”设置特征列，支持至少选择一列。 正则表达式 列筛选方式为“正则匹配”时展示，请根据实际情况输入正则表达式，系统自动筛选符合正则筛选规则的所有特征列。 新列名 如果设置，则特征离散化后生成新特征列，原有特征列不变。如果不设置，则默认覆盖已有特征列。 离散数量

查看更多 →

清空截取的图表图形。 单击右下方“保存至特征工程”可将绘制的图表保存至JupyterLab环境编辑区域。 特征分析（特征选择） 特征选择就是使用算法对特征进行相关性分析，根据结果从众多特征中剔除不重要的特性，从而保留重要的特性。 当前系统支持如下两种特征选择方法： 过滤法(Filter)

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 →

某业务下具有相同数据格式的数据逻辑集合。 特征操作 特征操作主要是对数据集进行特征处理。 在旧版体验式开发模式下，模型训练服务支持的特征操作有重命名、归一化、数值化、标准化、特征离散化、One-hot编码、数据变换、删除列、选择特征、卡方检验、信息熵、新增特征、PCA。对应JupyterLa

查看更多 →

。 系统会先将当前特征工程的数据集实例和设置的数据集实例进行自动匹配，并在“ 数据实例 ”框下方展示匹配结果。 展开高级配置，用户可以在“已匹配特征”栏下查看系统自动匹配的特征记录。在“未匹配特征”栏下，用户可以根据界面展示的左表数据特征、左表数据类型、右表数据特征、右表数据类型，手

查看更多 →

CombinedFCParameters 是否执行特征选择 是否选择提取的特征。 标签列 单击“”从特征列中选取一列作为标签列，指定用于分析其他特征列和标签列的相关性。 FDR Level “是否执行特征选择”开启时展示，进行特征选择时使用，表示显著性水平，是理论上的预期不相关特征在所有特征中所占的百分比。默认值为“0

查看更多 →

在架构设计的左侧菜单栏，单击节点（实体/特征）下的按钮，单击“确认”，删除成功。 说明： 在删除节点时，与删除的节点相关的联接也会被一并删除。 展示特征 在架构设计的画布界面中，单击“展示特征”，即可看到隐藏的特征，默认为不展示特征。 隐藏特征 在架构设计的画布界面中，单击“隐藏特征”，即可隐藏架构中的特征，默认为不展示特征。

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 →

支持同时添加多份数据，每份数据必须满足与当前特征工程中的数据特征维度完全相同。 其中，“目标数据实例”为特征处理后生成的数据集实例名称，请根据实际情况配置。 单击“执行”，对数据执行特征操作流。 系统自动生成经过特征处理后的数据，支持用户在“数据集”中查看。 用户可以执行下述操作： 在特征工程详情页面单击“

查看更多 →