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 →

则筛选规则的所有特征列。 被替换值 需要替换的数据。 替换为 替换后的数据。 当前操作流 从下拉框中选择当前数据操作流的名字。 操作流变量名 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

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 →

场景选择时应避免以下因素的影响： 弱纹理场景。例如特征点稀少的白墙、镜面、地面。 重复纹理场景。例如茂密的树林、各楼层重复的洗手间。 动态场景。例如场地中存在来往的行人、车辆，变化频繁的广告牌。 AR地图服务应用成功的典型场地有：敦煌莫高窟的九层楼广场、上海的南京东路街道。 父主题：

查看更多 →

“添加推荐候选集”（选择离线或近线任务所生成的推荐候选集进行排序） 任务别名和UUID：单击操作列表的“选择”添加离线或近线的任务名称和候选集ID。 优先级：优先级高的推荐结果将确保展示在优先级低的之前。 同优先级数据占比：优先级相同的推荐候选集，该占比展示推荐数量，同优先级下的数据占比之和需要等于100%。

查看更多 →

在项目概览界面，单击菜单栏中的“特征工程”，进入“特征工程”界面。 单击界面右上角的“特征处理”，弹出“特征处理”对话框。 请根据实际情况，配置如下参数： 工程名称：特征工程名称。 开发模式：请选择“Jupyterlab交互式开发”。 规格：选择Jupyterlab环境部署的容器规格大小。 实例：从下拉框中选择“新建一个环境”。

查看更多 →

在项目概览界面，单击菜单栏中的“特征工程”，进入“特征工程”界面。 单击界面右上角的“特征处理”，弹出“特征处理”对话框。 请根据实际情况，配置如下参数： 工程名称：特征工程名称。 开发模式：请选择“Jupyterlab交互式开发”。 规格：选择Jupyterlab环境部署的容器规格大小。 实例：从下拉框中选择“新建一个环境”。

查看更多 →

集，实现对数据集使用的申请，将数据集管理的数据下载到OBS空间或下载到本地中进行使用。订阅后获得该数据集的元数据、数据变化通知等功能。 数据集下载 将已审批的数据集的数据下载到租户的OBS空间中，或者通过申请下载到本地后再从OBS空间下载到本地，供后续的训练等功能使用。 数据目录

查看更多 →

新建作业 在弹出的界面进行数据选择，选择两方数据集作为整个作业的数据集，必须选择一个当前代理的数据集，另一个数据集可以来自空间中的任意一方。两方的数据集中一方数据集只含有特征，另一方的数据集必须含有标签。 重试：开关开启后，执行失败的作业会根据配置定时进行重试，仅对开启后的执行作业生效

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 →

8：图像的饱和度与训练数据集的特征分布存在较大偏移。 9：图像的色彩丰富程度与训练数据集的特征分布存在较大偏移。 10：图像的清晰度与训练数据集的特征分布存在较大偏移。 11：图像的目标框数量与训练数据集的特征分布存在较大偏移。 12：图像中目标框的面积标准差与训练数据集的特征分布存在较大偏移。

查看更多 →

增加更多的特征，使输入数据具有更强的表达能力。 特征挖掘十分重要，尤其是具有强表达能力的特征，可以抵过大量的弱表达能力的特征。 特征的数量并非重点，质量才是，总之强表达能力的特征最重要。 能否挖掘出强表达能力的特征，还在于对数据本身以及具体应用场景的深刻理解，这依赖于经验。 调整参数和超参数。 神经网络中：学

查看更多 →

8：图像的饱和度与训练数据集的特征分布存在较大偏移。 9：图像的色彩丰富程度与训练数据集的特征分布存在较大偏移。 10：图像的清晰度与训练数据集的特征分布存在较大偏移。 11：图像的目标框数量与训练数据集的特征分布存在较大偏移。 12：图像中目标框的面积标准差与训练数据集的特征分布存在较大偏移。

查看更多 →

1]之间，是机器学习领域里常用的二分类算法。LR算法参数请参见逻辑斯蒂回归。 因子分解机算法是一种基于矩阵分解的机器学习算法，能够自动进行二阶特征组合、学习特征之间的关系，无需人工经验干预，同时能够解决组合特征稀疏的问题。FM算法参数请参见因子分解机。 域感知因子分解机是因子分解机的改进版本，因子

查看更多 →

8：图像的饱和度与训练数据集的特征分布存在较大偏移。 9：图像的色彩丰富程度与训练数据集的特征分布存在较大偏移。 10：图像的清晰度与训练数据集的特征分布存在较大偏移。 11：图像的目标框数量与训练数据集的特征分布存在较大偏移。 12：图像中目标框的面积标准差与训练数据集的特征分布存在较大偏移。

查看更多 →

operty之间的关系。 ABM元模型（MOF M2元模型）在设计时参考了开源项目[DataHub MM]设计方式，形成六个要素： Entity：实体。 Signature：实体特征，被多个实体复用的特征，是一种特殊的属性组合。 Attribute：附属于实体的一般实体属性。 R

查看更多 →

外由于原始的数据集较小，采用了Imbalanced-Learn中的SMOTE算法，进行了数据集的扩充。下表为扩充过后的数据集统计信息。 乳腺癌数据集统计信息。 统计量 取值 特征数目 30 xx医院的训练样本数目 7366 其他机构的训练样本数目 7366 测试集样本数目 7257

查看更多 →

Analysis，PCA）是统计分析中简化数据集的一种算法，常用于减少数据集的维数，同时保持数据集中对方差贡献最大的特征。该算法主要通过对原始数据矩阵进行奇异值分解（Singular Value Decomposition，SVD），以得出数据的主成分（即特征向量），应用场景主要为高维数据降维等。

查看更多 →

AI使能服务优化与提升服务面向金融、工业、自动驾驶、医疗、城市、教育、互联网等中大型企业，为客户人工智能需求调研、算法设计、原型开发提供专业服务，解决客户面向企业级AI的疑难杂症，为客户的人工智能落地保驾护航。 父主题： 关于服务咨询

查看更多 →

自定义 自定义操作 提供特征处理代码编辑能力，满足用户自定义特征处理需求。 操作步骤如下所示。 单击界面右上角的图标，选择“数据处理 > 自定义 > 自定义操作”，界面新增“自定义操作”内容。 在“Your code here”注释行下方，输入自定义的特征操作代码。 如需重命名操

查看更多 →

数据连接操作后，新生成的数据，其特征列会增多；数据联合操作后，数据集实例的样本量会增多。 数据联合，是合并两份数据的样本，合并后数据的样本量是两份数据样本量的总和。 左表和右表特征列数不一致时，按照如下情况处理： 左表特征列数多，右表不足的特征列补充空值。 右表特征列数多，以左表为准，删除右表多余的特征列。

查看更多 →