e类型对象，为加权采样结果。 参数说明 参数 是否必选 参数说明 默认值 weight_col 是 权重列。 "weight" sample_size 否 采样数量。 100 sample_ratio 否 采样比例，范围(0,1)，如果sample_size和sample_rat

查看更多 →

为不同数据类型的样本数据，分别设置采样比例。 示例：{(0,): 0.2, (1,): 0.8}，其中(0,)和(1,)分别为特征列的组合样本数据。 seed 改变随机数生成器生成随机数的种子。取值必须为整数。 默认值为空，即不对分层采样产生影响。seed值不固定的时候，每次采样出来的样本数量，以及每层采的哪些行都是不固定的。

查看更多 →

分层采样 概述 分层采样是一种数据采样算法，依据数据集中某一代表数据类别的列，按照数量或比例对不同类别的数据进行采样。 算法实现采用spark自带的sample函数，采样数量会存在一定误差（按比例采样和按数量采样均会存在）。 输入 参数 子参数 参数说明 inputs dataframe

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 →

请求采样统计 背景信息 开启请求采样统计可以记录访问节点的IP地址和数量，同时可以采样请求的Path，记录请求URL和Body，用于获取访问量大的客户端IP地址和请求Path。 在开启或关闭集群的请求采样统计时，执行命令涉及的配置参数如下： 表1 请求采样统计的配置参数说明 配置名

查看更多 →

重要型采样 重要性采样是在优化目标边界附近进行采样，利用上一次泛化场景仿真后得到的评测分数进行训练拟合，找到边界后不断在边界附近进行采样。 图3 重要型采样 采样结果 如下图1和图2所示，对于某个逻辑场景进行拉丁超立方和蒙特卡洛采样，参数都是符合随机特性，但采样得到的值不相同。 对于同

查看更多 →

请求采样统计 背景信息 开启请求统计可以记录客户端IP的访问和客户端的请求类型，用户可以基于统计值识别客户端IP的访问流量，分析当前客户端的写入和查询访问量。 表1 请求统计的配置参数说明 配置名 类型 说明 flowcontrol.log.access.enabled Boolean

查看更多 →

随机采样。 重要型采样 重要性采样是在优化目标边界附近进行采样，利用上一次泛化场景仿真后得到的评测分数进行训练拟合，找到边界后不断在边界附近进行采样。 图3 重要型采样 采样结果 如下图1和图2所示，对于某个逻辑场景进行拉丁超立方和蒙特卡洛采样，参数都是符合随机特性，但采样得到的值不相同。

查看更多 →

APM指标数据采样策略是什么？ 指标数据周期性完整采集，默认采集周期为1分钟。

查看更多 →

模型存放在OBS上的完整路径，包括模型结构和模型权值。 is_dl4j_model 是 是否是deeplearning4j的模型。 true代表是deeplearning4j，false代表是keras模型。 keras_model_config_path 是 模型结构存放在OBS上的完整路径。在keras中通过model

查看更多 →

模型存放在OBS上的完整路径，包括模型结构和模型权值。 is_dl4j_model 是 是否是deeplearning4j的模型。 true代表是deeplearning4j，false代表是keras模型。 keras_model_config_path 是 模型结构存放在OBS上的完整路径。在keras中通过model

查看更多 →

模型训练输出的预测值，对应数据集的一个特征列。例如鸢尾花分类建模数据集提供了五列数据：花瓣的长度和宽度、花萼的长度和宽度、鸢尾花种类。其中，鸢尾花种类就是标签列。 C 超参 模型外部的参数，必须用户手动配置和调整，可用于帮助估算模型参数值。 M 模型包 将模型训练生成的模型进行打包。可以基于

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 →

云手机提供音视频媒体引擎，支持用户基于云手机完成云手机音频、视频的采集和编码，并灵活设置音视频编码参数，匹配不同场景业务诉求。 如您需要进一步了解如何使用，请参见《SDK参考》。 云手机音频 初始化音频服务 初始化音频服务，设置音频初始化参数，包括音频类型、采样率、采样深度、采样间隔等。 启动音频服务 启动音频服务，获取音频数据。

查看更多 →

A：年 重采样方法 当前支持的重采样方法： 升采样时可选择：不填充、前向填充、后向填充、插值填充。 降采样时可选择：求和、求均值、求方差、中位数、第一个值、最大值、最小值、最后一个值。 如果采样方法为空，则升采样默认方法为不填充；降采样默认方法为均值聚合。采样方法支持传入自定义函数。 ID列

查看更多 →

low-threshold-value ]*，设置合理的CRC错误告警阈值。检查是否继续产生此告警。 是 =>3。 否 =>4。 请收集告警、日志和配置信息，并联系技术支持人员。 结束。 父主题： WAC&AP告警

查看更多 →

基于CodeArts IDE Online、TensorFlow和Jupyter Notebook开发深度学习模型 概要 准备工作 导入和预处理训练数据集 创建和训练模型 使用模型

查看更多 →

low-threshold-value ]*，设置合理的CRC错误告警阈值。检查是否继续产生此告警。 是 =>3。 否 =>4。 请收集告警、日志和配置信息，并联系技术支持人员。 结束。 父主题： V200版本LSW设备告警

查看更多 →

TABLESAMPLE 有BERNOULLI和SYSTEM两种采样方法。 这两种采样方法都不允许限制结果集返回的行数。 BERNOULLI 每一行都将基于指定的采样率选择到采样表中。当使用Bernoulli方法对表进行采样时，将扫描表的所有物理块并跳过某些行（基于采样百分比和运行时计算的随机值之间的

查看更多 →

预估节省成本是基于用户历史商务折扣基础上的应付成本进行估算，因此如果用户的商务折扣发生变化，会导致预估月度可节省成本不准确。 由于预估节省成本默认包年包月资源会正常续费，因此如果资源到期后不续费，会导致预估月度可节省成本不准确。 由于预估可节省成本未考虑手续费和代金券的影响，因此根据资源优

查看更多 →

取值范围[80, 2048]。 soundMode（声道模式）：取值0（单声道）和1（双声道）。 每帧的采样点个数u32PtNumPerFrm和采样率enSamplerate的取值决定了硬件产生中断的频率，频率过高会影响系统的性能，跟其他业务也会相互影响，建议这两个参数的取值满足算式：“(u32PtNumPerFrm

查看更多 →