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 →

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 →

模型选择 目前，学件已经集成了几十维到上百维不同种类的特征库，源于历史各类Case和通用KPI异常检测的算法库。通过数据的特征画像，可以实现自动化的特征推荐和算法推荐。 单击“特征画像”左下方的“模型选择”。 新增“模型选择”内容，如图1所示。 图1 模型选择 单击“模型选择”代码框左侧的图标，运行代码。

查看更多 →

数据集的实例，有具体的数据。 T 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 →

。主要应用为猜你喜欢、关联推荐、热门推荐。 功能优势： 多维度管理，支持运营规则设置，一站式推荐平台。 自动挖掘特征，采用AUTOML完成特征的自动挖掘和组合，提高特征选择效率。 高适用性，多种模板选择，适用多个应用场景。 使用便捷，一键式构建推荐系统，提供标准API接口，调用简单，便于被集成。

查看更多 →

算法工程处理的时候必须要先采样吗？ 算法工程数据采样的目的是提升界面每个特征操作的速度。大数据量操作的时候建议先采样。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。 父主题： 特征工程

查看更多 →

荐系统识别用户离线数据，通过特征工程将对应的数据写入到画像中，同时用于排序训练和线上推理服务中使用。 文件数据信息请参见全局特征信息文件数据格式。 当上传的数据中的特征有变化时，用户需要同步更新该文件。该文件为JSON格式，包含特征名、特征大类、特征值类型。 数据源 数据在OBS的存放路径。

查看更多 →

异常检测学件服务，通过数据特征画像识别数据类型，自动推荐训练算法与特征，采用无监督、有监督和动态基线等进行联合检测，通过专家经验对训练与检测进行调优，得到最终检测结果。模型训练完成后，可以将特征画像的结果、特征和参数、模型和参数都保留下来。后面仅需要使用新的数据，重训练模型，不用再重新做特征分析和模

查看更多 →

采用卡方检验来进行特征选择。 卡方检验（Chi-Squared Test或χ2 Test）的基本思想是通过特征变量与目标变量之间的偏差大小来选择相关性较大的特征变量。首先假设两个变量是独立的，然后观察实际值与理论值的偏差程度，该偏差程度代表两个变量之间的相关性。如果某个特征变量与目标变

查看更多 →

：基础特征，用于描述被管理的资产实体的基础特征，新数据会覆盖旧数据。 ：版本特征，用于描述被管理的资产实体的版本特征，通过版本号存储。 ：时序特征，用于描述被管理的资产实体的时序特征，通过时间索引存储。 类型 节点的类型，可在创建节点时，选择类型为基础实体、基础特征、版本特征或时序特征。当前暂不支持版本特征及时序特征。

查看更多 →

去除空值和特征列的关系。 取值如下所示： all：如果一行数据，满足设置列中的所有特征列均为空值，则丢弃此行数据。 any：如果一行数据，满足设置列中的任一特征列有空值，则丢弃此行数据。 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。

查看更多 →

VPS定位能力与人的视觉定位能力类似，需要捕捉环境中的特征点作为定位依据。如果面对某特定场景，人能够仅靠视觉信息完成定位，则VPS基本也可完成定位。因此应尽量选择特征点丰富（例如门窗、桌椅等形状特征，或者贴图、装饰等纹理特征）的场景环境。场景中的视觉特征点越丰富，VPS定位效果越精准，AR内容展示和AR导航效果越好。

查看更多 →

元素为1，其余为0 特征放缩 连续型 适合连续特征。将特征的取值范围缩放到[min，max]的范围，推荐min=0,max=1 标准化 连续型 将特征的取值标准化为均值=0，标准差=1的高斯分布 异常值处理 连续型 对特征数据进行异常值定义和处理。对连续特征的数值范围定义合理区间

查看更多 →

路径不能包含中文。 核函数特征交互神经网络-PIN 核函数特征交互神经网络是深度网络因子分解机的改进版本，深度网络因子分解机通过向量点乘来计算特征之间的关系，而核函数特征交互神经网络使用不同的核（kernel）来对特征交互进行建模，以此来计算两个域中特征的相互关系，其中核的种类包

查看更多 →

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 →

数据业务吞吐量。提供1个训练集，29维特征。 Massive MIMO广播波束优化：基于对话务分布、无线干扰、小区负载等因素的分析，快速对Massive MIMO广播波束寻找最优Pattern组合，提升小区吞吐量。提供1个训练集，12维特征。 基站智能关断节能：基于准确的基站流量

查看更多 →

Signature Link：特征联接，指在实体和特征之间建立联接。 ABM元模型引擎中构建的一个MOF M1层元模型，命名为FabricSample元模型，用于阐述上面的六要素的概念。此M1层元模型包括： 两个实体：Actor、 BusinessDataObject。 一个特征：Digital

查看更多 →

“FiBiNET”算法新增限制： 特征方必须要有两个及以上离散特征，连续特征可有可无。 标签方可以不提供任何特征，如果标签方提供特征也要遵循1规则。 其他算法无限制 选择完成后单击“下一步”。 在所选数据集中只能有一个字段是标签。 训练时需勾选使用的特征选项，勾选后可以跳过特征分箱，直接进行训练。

查看更多 →

样例数据导入模型训练服务 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。

查看更多 →