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 →

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 →

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 →

。也可单击“增加属性权重”。 公共配置 “全局特征信息文件” 为json格式文件。指定在去重过滤即属性过滤中物品属性和用户属性的特征信息文件，如物品属性需要“feature_name”、“feature_type”、“feature_value_type”字段来表示特征名，特征类型以及特征值类型。需预先存储在OBS中。

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 →

“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 →

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 →

，用随机森林来代替决策树。 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。

查看更多 →

度神经网络对于特征表达的学习，同时学习高阶和低阶特征组合，从而达到准确地特征组合学习，进行精准推荐。DEEPFM算法参数请参见深度网络因子分解机。 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

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 →

训练数据集。 类别特征列 指定使用LabelEncoder处理的字符串类型类别特征的列表。格式为["列名1","列名2"]，默认设置为[]，表示没有需要处理的类别特征。 LabelEncoder的作用是将类别特征转换为数值型特征，使模型能够处理这些特征。 非特征列 列出不需要输入

查看更多 →

视觉定位（VPS）是根据图像确定设备位置的一项技术。 通过拍摄一系列具有已知位置的图像并分析它们的关键视觉特征（例如建筑物或桥梁的轮廓）来创建AR地图，基于AR地图创建视觉特征的大规模、可快速搜索的索引。在设备定位时，将设备图像中的特征与索引中的特征进行比较，以获得目标设备的位姿。 AR导航 AR导航是新型的地图导航

查看更多 →

版本发布完成后，进入数据集概览页。选择“数据特征”页签，单击“特征分析”，在弹窗中选择刚才发布的数据集版本，并单击“确定”，启动特征分析任务。 图3 启动特征分析 查看任务进度 任务执行过程中，可以单击“任务历史”，查看任务进度。当任务状态变为“成功”时，表示任务执行完成。 图4 特征分析任务进度 查看特征分析结果

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 →

个性化配置 匹配特征对 匹配用户和物品特征，以便于筛选出该用户相关联的物品进行推荐。 用户特征名：从下拉框中选择目标用户特征用于和物品特征进行匹配。 物品特征名：从下拉框中选择目标物品特征用于匹配用户特征，更好的做出推荐。 权重：取值为0.01-1。权重越高，该匹配特征所被优先推荐的概率越高。

查看更多 →

合操作： 数据连接：将特征列维度不完全相同的两份数据，合并成一份数据，用于扩展特征维度。 数据联合：将两份数据合并成一份数据，用于增加样本量。 数据连接 数据连接可以将特征维度不完全相同，且必须至少一个特征是相同的数据集，通过数据连接，合并成一个具备更多特征列的数据集。 数据连接

查看更多 →

Python和Spark开发平台 创建特征工程 数据采样 列筛选 数据准备 特征操作 Notebook开发 全量数据应用 发布服务 父主题： 特征工程

查看更多 →

data一共有6列特征，分别为time、col_1、col_2、col_3、col_4、col_5。其中“time”为时间列，后面五列为KPI特征列。 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：

查看更多 →

口，对应模型管理章节截图更新。 Jupyterlab算子菜单位置及算子分组变更，对应特征工程章节菜单入口描述变更。 Jupyterlab特征工程选择数据增加时序数据选择，并支持多数据选择，对应特征工程章节操作截图全量更新。 2020-03-30 模型训练服务界面优化，模型训练服务操作界面截图全量更新。

查看更多 →

用户自匹配 物品自匹配 用户匹配物品 匹配特征对 用户和物品相关联特征。请根据实际情况配置参数，如果属性匹配特征对相似度较高内存不够时需提升配置。您可以单击进入“添加匹配特征对”页面进行配置。设置特征对的别名、根据全局特征信息文件匹配用户特征名和物品特征名，设置权重。 - 推荐个数 推荐给用户的物品最大个数。

查看更多 →

API概览 类型 说明 视觉定位 通过拍摄一系列具有已知位置的图像并分析它们的关键视觉特征（例如建筑物或桥梁的轮廓）来创建地图，以创建这些视觉特征的大规模且可快速搜索的索引。将设备图像中的特征与索引中的特征进行比较，可获得目标设备的位姿。 AR导航 基于摄像头实时捕捉的实景画面，将地图

查看更多 →