梯度提升树分类特征重要性 概述 采用梯度提升树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gbt_classify_model参数，表示直接根据数据集训练gbdt分类模型得到特征重要性

查看更多 →

梯度提升树回归特征重要性 概述 采用梯度提升树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gbt_regressor_model参数，表示直接根据数据集训练梯度提升树回归模型得到特征重要性

查看更多 →

APP特征信息中，MD5值如何填写？ APP特征信息中的MD5值，指的是APP证书的数字指纹值。对于安卓版APP，请填写证书的MD5值（以16进制形式填写）。对于苹果版APP，请填写证书的SHA-1值（以16进制形式填写）。 父主题： APP备案FAQ

查看更多 →

根据数据集的entitiesId获取数据集的特征信息 功能介绍 管理侧根据数据集entitiesId获取数据集的特征信息。 URI URI格式 POST /softcomai/datalake/v1.0/originDataModels/{entitiesId}/entitysattr

查看更多 →

安全漏洞报告中问题文件或者漏洞特征信息为空? 安全漏洞扫描结果中，我们会展示相关的问题文件及特征信息，但是在实际报告会发现存在问题文件或者漏洞特征信息为空的情况，如下图所示： 这是因为部分检查项是针对全局性的，不针对某个文件，所以存在问题文件跟漏洞特征信息为空情况，属于正常现象。 父主题：

查看更多 →

根据数据集的entitiesId获取数据集的特征信息 功能介绍 管理侧根据数据集entitiesId获取数据集的特征信息。 URI URI格式 POST /softcomai/datalake/v1.0/originDataModels/{entitiesId}/entitysattr

查看更多 →

特征处理操作完成后怎么应用于数据集全量数据？ 使用Python和Spark开发平台创建的特征工程，界面所有特征操作执行完成后，单击“执行”时，系统自动将特征操作流应用于数据集全量数据，生成经过特征处理的数据集，供模型训练使用。用户在单击“执行”时，可以在“执行”对话框中，选择其他

查看更多 →

特征工程任务创建的时间 任务用时 特征工程任务的执行时长 任务状态 特征工程任务的执行状态 查看特征工程任务的超参配置 查看特征工程任务的运行日志 删除特征工程任务 基于特征工程服务创建特征工程任务，请参见创建特征工程任务。 删除特征工程服务。 用户也可以在特征工程服务页面，单击右上角的“创建”，基于其他特征工程新建特征工程服务。

查看更多 →

结果。 可选特征：展示当前数据的所有特征信息。 已选特征：展示用户在“可选特征”中勾选出的所有特征，支持删除已选特征。 在“可选特征”框中勾选需要显示的特征列。 同时包含下述操作： 单击图标，通过设置“列区间”、“列关键词”、“数据类型”、“数据质量”，快速查找特征列，如图2所示。

查看更多 →

该页面包含“用户特征”、“物品特征”、“正向行为类型”和“负向行为类型”等信息，具体描述请参见表1。 图1 确认特征抽取 表1 确认特征参数 参数名称 说明 用户特征 列表中展示抽取的用户特征和参数类型。您可以根据业务需求单击增加用户特征。单击特征后方的删除不需要的用户特征。 物品特征

查看更多 →

正则匹配 列名 特征名称。单击“”设置特征列，支持至少选择一列。 正则表达式 列筛选方式为“正则匹配”时展示，请根据实际情况输入正则表达式，系统自动筛选符合正则筛选规则的所有特征列。 新列名 如果设置，则特征离散化后生成新特征列，原有特征列不变。如果不设置，则默认覆盖已有特征列。 离散数量

查看更多 →

清空截取的图表图形。 单击右下方“保存至特征工程”可将绘制的图表保存至JupyterLab环境编辑区域。 特征分析（特征选择） 特征选择就是使用算法对特征进行相关性分析，根据结果从众多特征中剔除不重要的特性，从而保留重要的特性。 当前系统支持如下两种特征选择方法： 过滤法(Filter)

查看更多 →

多云多活的客户群体有哪些？具有什么样的客户特征？ 首先多活容灾方案是水平方案，不会去选择用户。只是当前方案还不适合大规模推广，如果客户有诉求，可直接在华为云官方网站咨询或者找华为云一线销售咨询。 父主题： 多活容灾方案相关问题

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 →

数据采样 用户在执行特征操作前，可以先对数据进行采样。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，提升特征操作的处理速度。数据采样后，执行全量数据应用时，系统会将特征操作流应用在全量数据集上，生成经过特征处理后的新数据集，提供给模型训练使用。

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 →

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 →

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 →

特征工程处理过的数据，不能再用相同的特征工程进行二次处理。 ：使用当前数据创建新的特征工程。创建特征工程的方法请参见创建特征工程。 ：跳转至“模型训练”页面。模型训练操作请参见模型训练。 DatasetService数据集 DatasetService数据集是模型训练服务预置的数

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 →

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 →