离散化 概述 根据用户输入的桶的个数，按照分位数分桶，将用户指定的某个数值列离散化。 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

查看更多 →

质量变换 此功能支持在控制台代码编辑模式和接口调用模式使用。 可以对输出格式为jpg的图片进行图片压缩，不使用压缩则可能会使图片占用的空间变大。具体参数说明如表1所示。 操作名称：quality 表1 图片压缩 参数 取值说明 代码样例 q 图片的相对质量，即将图片按照原图的q%进行压缩。取值范围为[1，100]。

查看更多 →

参数 参数说明 默认值 scale_cols 需要被进行尺度变换的特征名 - scale_method 尺度变换的方法 "ln" item_spliter 离散型特征的，iterm之间的分割符 "," kv_spliter 离散型特征KV的分割符 ":" 样例 输入数据 配置流程 运行流程

查看更多 →

离散特征分析 概述 离散值特征分析通过每个离散特征的gini，entropy，gini gain，information gain，information gain ratio等和每个离散值对应的gini，entropy指标，方便对离散特征进行理解。 输入 参数 子参数 参数说明

查看更多 →

Box-Cox变换 用于连续的响应变量不满足正态分布时，进行数据变换，达到接近正态分布的目的。Box-Cox变换的主要特点是引入一个参数，通过数据本身估计该参数，进而确定应采取的数据变换形式。 使用Box-Cox变换的优点： 数据得到的回归模型优于变换前的模型，变换可以使模型的解释力度等性能更加优良。

查看更多 →

”节点。 特征离散化 特征离散化是将特征列连续的样本数据离散化为[0，离散数量-1]区间内的整型数据。 特征离散化操作步骤如下。 单击表头，选中需要执行特征离散化的特征列。 选中的特征列必须为数值型。 单击“特征操作”，从下拉框中选择“特征离散化”。 弹出“特征离散化”对话框。参数配置如下所示：

查看更多 →

二值化 卡方选择 派生 特征转换 FP-growth 最小最大规范化 正则化 独热编码 主成分分析 离散化 标准化 字符串标签化 奇异值分解 过滤式特征选择 线性特征重要性 特征尺度变换 特征异常检测 特征异常平滑 gbdt编码模型训练 gbdt编码模型应用 父主题： 数据特征

查看更多 →

值处理>Log变换等 离散型字段：缺失值处理>离散特征编码、缺失值处理>OneHot编码等 表1 预处理方法 预处理方法名称 使用范围 功能介绍 缺失值处理 连续型/离散型 针对连续特征有均值、中位数2种填充策略，针对离散特征有众数的填充策略。 离散特征编码 离散型 将字符串形式存储的特征，映射为[0

查看更多 →

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JupyterLab交互式开发模式，是界面右上角的图标中的“数据处理”菜单下面的数据处理算子。

查看更多 →

示例：图片质量变换 场景介绍 对于需要对大量图片文件进行压缩，快速发布上线的场景，可以使用DWR可视化的质量变换工作流来完成任务，帮助用户提升图片处理效率，节省内容发布时间。 实现流程 该实例通过创建触发器的方式异步启动工作流，实现流程为： 在OBS服务中创建桶 在DWR服务中创建工作流

查看更多 →

找最近的一个实例依赖。 离散小时依赖离散小时 依赖时间段范围是[当天的零点, 下一天的零点) ，离散小时作业A，离散小时作业B，作业A依赖作业B。 当离散小时作业A、离散小时作业B在一天内的实例数量一致时，适用规则一，一对一依赖； 当离散小时作业A、离散小时作业B在一天内的实例数

查看更多 →

100，离散距离为10。等距离散会按照age将1-10岁，11-20岁等作为一个区间进行离散。 “等频离散”：根据业务需求限定数值“最小值”、“最大值”和“频率”。例如，根据weight进行等频离散，设置weight最小值为5，最大值为200，离散频率为200。等频离散会按照we

查看更多 →

处理，如x=80时，x_new = 0.2。 “用户自定义离散”：根据业务需求限定“离散点”。例如，根据age进行离散，设置年龄离散点分别为3、9、15即年龄会按照0-3、3-9、9-15进行散；单击添加离散点。 “不离散”：（默认）不做归一化，不对数据做处理。 待提取物品特征 排序模型需要经特征工程处理后的数据，

查看更多 →

cos cos函数用于计算a的余弦值，输入为弧度 命令格式 cos(DOUBLE a) 参数说明 表1 参数说明 参数 是否必选 参数类型 说明 a 是 DOUBLE、BIGINT、DECIMAL、STRING类型。 参数a的格式包括浮点数格式、整数格式、字符串格式。 参数a非D

查看更多 →

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JupyterLab交互式开发模式，是界面右上角的图标中的“数据处理”菜单下面的数据处理算子。

查看更多 →

vector_l2_squared_distance('[1,2,3]', '[5,-1,3.5]'); cosine_distance 功能说明：计算两个向量的余弦距离 入参1的类型：floatvector 入参2的类型：floatvector 出参类型：float8 代码示例： gaussdb=# select

查看更多 →

acos acos函数用于返回给定角度a的反余弦值。 命令格式 acos(DOUBLE a) 参数说明 表1 参数说明 参数 是否必选 参数类型 说明 a 是 DOUBLE、BIGINT、DECIMAL、STRING类型。 参数a取值范围为[-1,1]，a的格式包括浮点数格式、整数格式、字符串格式。

查看更多 →

根据表面离散点坐标集生成可渲染的文件内容 功能介绍 根据表面离散点坐标集生成可渲染的文件内容。 URI POST /v1/{project_id}/eihealth-projects/{eihealth_project_id}/drug-common/toolkit/surface-points

查看更多 →

即“attr_5”），该列目标结果是“离散值”。训练目标选择完成后，单击“训练”。 图1 预测分析数据标注界面 选择“标签列数据类型”。在“数据标注”页面中，“标签列数据类型”下选择合适的数据类型。 若标签列为枚举型数据，数据类型应选择“离散值”，预测分析将训练分类模型。 若标签

查看更多 →

PostgreSQL支持pgvector插件，提供支持vector数据类型和向量相似性搜索。该插件提供以下支持： 精确的和近似的最近邻搜索 L2距离，内积和余弦距离 Postgres客户端的任何语言 更多信息，请参见pgvector官方文档。 支持的版本 PostgreSQL 12及以上版本的最新

查看更多 →

COS(expr) 余弦 SELECT COS(expr) TAN(expr) 正切 SELECT TAN(expr) COT(expr) 余切 SELECT COT(expr) ASIN(expr） 反正弦 SELECT ASIN(expr) ACOS(expr） 反余弦 SELECT

查看更多 →