线性阵列 操作步骤 几何工具栏选择“几何操作 > 线性阵列”。 在弹出的“线性阵列”对话框中，输入如下参数： “阵列对象”：拾取任意类型的实体对象，支持同时选择不同类型。 “方向”：拾取一条直线确定方向，可选实体边或基准轴。 “距离”：相邻实例间的距离。 “实例数”：沿当前方向阵列实例的个数。

查看更多 →

线性回归 概述 “线性回归”节点用于产生线性回归模型。它是利用数理统计中的回归分析，来确定两种或两种以上变数间相互依赖的定量关系的统计分析方法。 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

查看更多 →

数值稳定常量：为保证数值稳定而设置的一个微小常量。默认1e-8。 adagrad：自适应梯度算法 对每个不同的参数调整不同的学习率，对频繁变化的参数以更小的步长进行更新，而稀疏的参数以更大的步长进行更新。 学习率：优化算法的参数，决定优化器在最优方向上前进步长的参数。默认0.001。 初

查看更多 →

l - 算子输入的特征向量列的列名，默认为"model_features" prediction_index_col - 算子输出的预测label对应的标签列，默认为"prediction_index" prediction_col - 算子输出的预测label的列名，默认为"prediction"

查看更多 →

据检测等。异常检测经典算法包括统计建模方法，基于距离计算方法，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。

查看更多 →

使用TensorFlow进行线性回归 首先在FunctionGraph页面将tensorflow添加为公共依赖 图1 tensorflow添加为公共依赖 在代码中导入tensorflow并使用 import json import random # 导入 TensorFlow 依赖库

查看更多 →

据检测等。异常检测经典算法包括统计建模方法，基于距离计算方法，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。

查看更多 →

我的算法 操作步骤 登录行业视频管理服务后台。 选择“算法 > 我的算法”。 在我的算法页面，可以根据算法名称搜索算法，也可以单击“”，根据供应商和计费模式筛选查找算法。 父主题： 算法管理

查看更多 →

FM算法 概述 FM主要是解决稀疏数据下的特征组合问题，并且其预测的复杂度是线性的，对于连续和离散特征有较好的通用性。 公式为： 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

查看更多 →

防火墙规则设置：增加VPN-LAN，LAN-VPN的互访放行策略，服务分别为all-tcp，all-udp，ping。 安全策略中需要添加本地公网IP与华为云网关IP的互访规则，协议为UDP的500、4500和IP协议ESP与AH，确保协商流和加密流数据正常传输。 待加密数据流的网段请填写真实IP和掩码，请勿调用地址对象。

查看更多 →

线性特征重要性 概述 用线性模型计算训练数据的特征重要性。 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 特征的重要性和特征在线性模型中的weights，格式是dataFrame。

查看更多 →

PFS（Perfect Forward Secrecy，完善的前向安全性）是一种安全特性。 IKE协商分为两个阶段，第二阶段（IPsec SA）的密钥都是由第一阶段协商生成的密钥衍生的，一旦第一阶段的密钥泄露将可能导致IPsec VPN受到侵犯。为提升密钥管理的安全性，IKE提供了PFS（完美向前保密）功能。启用PFS后，在进行IPsec

查看更多 →

PFS（Perfect Forward Secrecy，完善的前向安全性）是一种安全特性。 IKE协商分为两个阶段，第二阶段（IPsec SA）的密钥都是由第一阶段协商生成的密钥衍生的，一旦第一阶段的密钥泄露将可能导致IPsec VPN受到侵犯。为提升密钥管理的安全性，IKE提供了PFS（完美向前保密）功能。启用PFS后，在进行IPsec

查看更多 →

PFS（Perfect Forward Secrecy，完善的前向安全性）是一种安全特性。 IKE协商分为两个阶段，第二阶段（IPsec SA）的密钥都是由第一阶段协商生成的密钥衍生的，一旦第一阶段的密钥泄露将可能导致IPsec VPN受到侵犯。为提升密钥管理的安全性，IKE提供了PFS（完美向前保密）功能。启用PFS后，在进行IPsec

查看更多 →

PFS（Perfect Forward Secrecy，完善的前向安全性）是一种安全特性。 IKE协商分为两个阶段，第二阶段（IPsec SA）的密钥都是由第一阶段协商生成的密钥衍生的，一旦第一阶段的密钥泄露将可能导致IPsec VPN受到侵犯。为提升密钥管理的安全性，IKE提供了PFS（完美向前保密）功能。启用PFS后，在进行IPsec

查看更多 →

PFS（Perfect Forward Secrecy，完善的前向安全性）是一种安全特性。 IKE协商分为两个阶段，第二阶段（IPsec SA）的密钥都是由第一阶段协商生成的密钥衍生的，一旦第一阶段的密钥泄露将可能导致IPsec VPN受到侵犯。为提升密钥管理的安全性，IKE提供了PFS（完美向前保密）功能。启用PFS后，在进行IPsec

查看更多 →

算法 包名 样例类名 对应的API com.huawei.ges.graph.sdk.v1.examples.algorithm PagerankSample PageRank算法 PersonalrankSample Personalrank算法 KcoreSample K核算法

查看更多 →

PFS（Perfect Forward Secrecy，完善的前向安全性）是一种安全特性。 IKE协商分为两个阶段，第二阶段（IPsec SA）的密钥都是由第一阶段协商生成的密钥衍生的，一旦第一阶段的密钥泄露将可能导致IPsec VPN受到侵犯。为提升密钥管理的安全性，IKE提供了PFS（完美向前保密）功能。启用PFS后，在进行IPsec

查看更多 →

使用pytorch进行线性回归 在FunctionGraph页面将torch添加为公共依赖 图1 torch添加为公共依赖 在代码中导入torch并使用 # -*- coding:utf-8 -*- import json # 导入torch依赖 import torch as t

查看更多 →

指定agg算法的Hint 功能描述 在进行agg算法时可以指定agg的方法。 语法格式 use_hash_agg[(@queryblock)], use_sort_agg[(@queryblock)] 参数说明 @queryblock 见指定Hint所处于的查询块Queryblo

查看更多 →

指定agg算法的Hint 功能描述 在进行agg算法时可以指定agg的方法。 语法格式 use_hash_agg[(@queryblock)], use_sort_agg[(@queryblock)] 参数说明 @queryblock 见指定Hint所处的查询块Querybloc

查看更多 →