随机森林回归 概述 “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

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 →

随机森林回归特征重要性 概述 采用随机森林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random_forest_regressor_model参数，表示直接

查看更多 →

随机森林分类特征重要性 概述 采用随机森林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random_forest_classify_model参数，表示直接根

查看更多 →

数据集分割连线随机森林回归 右键单击随机森林回归算子，选择“设置参数”，在滑出的参数设置窗口填写标签列为“revenue”，如图7所示。 图7 随机森立回归参数设置 如图8所示，随机森林回归连线模型应用，随机森林回归算子输出pipeline_model传入模型应用算子, 作为模型应用算子的输入模型。

查看更多 →

距离计算方法，线性模型和非线性模型等。 我们采用一种基于随机森林的异常检测方法： One-pass算法，O(1)均摊时空复杂度。 随机森林结构仅构造一次，模型更新仅仅是节点数据分布值的更新。 节点存储多个窗口的数据分布信息，能够检测数据分布变化。 异常检测和模型更新在同一个代码框架中完成。

查看更多 →

距离计算方法，线性模型和非线性模型等。 我们采用一种基于随机森林的异常检测方法： One-pass算法，O(1)均摊时空复杂度。 随机森林结构仅构造一次，模型更新仅仅是节点数据分布值的更新。 节点存储多个窗口的数据分布信息，能够检测数据分布变化。 异常检测和模型更新在同一个代码框架中完成。

查看更多 →

孤立森林 概述 对sklearn孤立森林算法的封装。 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 数据集 参数说明 参数 子参数 参数说明 select_columns_str

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 →

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 →

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 →

V24，V25，V26，V27，V28，Amount等特征。 图1 数据样本 配置流程 下图上边部分运行孤立森林算子，得到异常检测结果和孤立森林模型，下边部分加载保存的模型和新的数据进行预测。 图2 配置流程 参数设置 图3 参数设置界面 查看结果 图4 查看运行结果 父主题： 数据分析

查看更多 →

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 卡方独立性检验 协方差矩阵 孤立森林[PySpark版] 皮尔森系数 离散特征分析

查看更多 →

随机值转换 概述 “随机值转换”算子，用于配置新增值为随机数的字段。 输入与输出 输入：无 输出：随机值字段 参数说明 表1 算子参数说明 参数 含义 类型 是否必填 默认值 输出字段名 配置生成随机值的字段名。 string 是 无 长度 配置字段长度。 map 是 无 类型

查看更多 →

随机值转换 概述 “随机值转换”算子，用于配置新增值为随机数的字段。 输入与输出 输入：无 输出：随机值字段 参数说明 表1 算子参数说明 参数 含义 类型 是否必填 默认值 输出字段名 配置生成随机值的字段名。 string 是 无 长度 配置字段长度。 map 是 无 类型

查看更多 →

创建随机数 功能介绍 功能介绍： 生成8~8192bit范围内的随机数。 调用方法 请参见如何调用API。 URI POST /v1.0/{project_id}/kms/gen-random 表1 路径参数 参数 是否必选 参数类型 描述 project_id 是 String

查看更多 →

随机密码生成 可以随机生成密码串。 连接参数 随机密码生成连接器使用AKSK认证，创建连接时连接参数说明如表1所示。 表1 连接参数说明 名称 必填 说明 示例值/默认值 连接名称 是 设置连接名称。 随机密码生成 描述 否 对于连接的信息描述说明。 description。 accessKey

查看更多 →

通过弹性画像模型、无监督学习模型、有监督学习模型实现对风险口令、凭证泄露、Token利用、异常委托、异地登录、未知威胁、暴力破解七大IAM高危场景进行智能检测。通过SVM、随机森林、神经网络等算法实现对隧道 域名 、DGA域名以及异常行为的智能检测。 AI引擎检测保持模型对真实数据的

查看更多 →

ans、随机森林、正态贝叶斯、支持向量机、期望最大EM等，实现遥感影像快速分类 图6 基于K-Means算法的分类结果图 图7 基于正态贝叶斯的分类结果图 支持调用PIE-Engine AI平台的丰富深度学习模型进行实时解译 图8 调用PIE-Engine AI平台模型进行水体解译结果图

查看更多 →

给用户重置随机密码 功能介绍 该接口用于给用户重置一个密码。 调试 您可以在 API Explorer 中调试该接口，支持自动认证鉴权。API Explorer可以自动生成SDK代码示例，并提供SDK代码示例调试功能。 URI GET /v2/{project_id}/users/{

查看更多 →

生成指定范围随机数 函数名 $random_int(intA, intB) 功能说明 实现在参数A与参数B之间的范围内生成随机数。测试计划服务支持生成10位以内的随机数，即最小值-9999999999、最大值为9999999999。 参数A、B以下几种类型： 数字 环境参数 局部参数

查看更多 →