域感知因子分解机是因子分解机的改进版本，因子分解机每个特征对其他域的隐向量都一致，而域感知因子分解机每个特征对其他每个域都会学习一个隐向量，能够达到更高的精度，但也更容易出现过拟合。FFM算法参数请参见域感知因子分解机。 深度网络因子分解机，结合了因子分解机和深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

查看更多 →

深度学习模型预测 深度学习已经广泛应用于图像分类、图像识别和 语音识别 等不同领域， DLI 服务中提供了若干函数实现加载深度学习模型并进行预测的能力。 目前可支持的模型包括DeepLearning4j 模型和Keras模型。由于Keras它能够以 TensorFlow、CNTK或者 Theano

查看更多 →

深度学习模型预测 深度学习已经广泛应用于图像分类、图像识别和语音识别等不同领域，DLI服务中提供了若干函数实现加载深度学习模型并进行预测的能力。 目前可支持的模型包括DeepLearning4j 模型和Keras模型。由于Keras它能够以 TensorFlow、CNTK或者 Theano

查看更多 →

分解研发需求 研发需求按层级划分为IR、US，分别为第一、二。IR可以分解为US，US是最小单位的研发需求，不能继续分解。 前提条件 已创建项目。 已创建研发需求。 操作步骤 在研发需求列表中，单击需要分解需求所在行的图标，弹出“分解子需求”窗口。 填写子需求的信息。 单击图标，可以展开及配置更多信息。

查看更多 →

颜色矩阵 图1 颜色矩阵 颜色值矩阵：下表中，各颜色值同上述示意图一一对应。 表1 颜色矩阵 颜色值 FF000000 FF595959 FFA5A5A5 FFFFFFFF FF8E2323 FFB20000 FFDB7070 FFFF4C4C FF8E5923 FFB25900

查看更多 →

混淆矩阵 概述 混淆矩阵是机器学习中总结分类模型预测结果的情形分析表，以矩阵形式将数据集中的记录按照真实的类别与分类模型预测的类别判断两个标准进行汇总。其中矩阵的行表示真实值，矩阵的列表示预测值。 True Positive（TP）：真正类。样本的真实类别是正类，并且模型识别的结果也是正类；

查看更多 →

隐向量长度 分解后的表示特征的向量的长度。默认10。 保存根路径 单击选择训练结果在OBS中的保存根路径，训练完成后，会将模型和日志文件保存在该路径下。该路径不能包含中文。 深度网络因子分解机-DeepFM 深度网络因子分解机，结合了因子分解机和深度神经网络对于特征表达的学习，同时学

查看更多 →

矩阵量表 矩阵量表用于形象地评估对事物的喜好程度。 在表单开发页面，从“数据组件”中，拖拽“矩阵量表”组件至表单设计区域，如图1。 图1 矩阵量表 如图2所示，使用矩阵量表对车辆进行评分。 图2 矩阵量表配置示例 显示名称：该组件在页面呈现给用户的名称，可以设置为中文，也可以设置为英文。

查看更多 →

奇异值分解 概述 奇异值分解（Singular Value Decomposition，SVD）一般用于数据挖掘、建模等领域的特征工程过程，是线性代数中一种重要的矩阵分解方法，奇异值分解算子可将1个矩阵分解为3个矩阵。 比如对于m×n 的矩阵A，可根据以下SVD计算公式得到左奇异向量组成的m×k

查看更多 →

分解原始需求 原始需求按层级划分为RR > US > Task。 仅规划和实现状态的原始需求支持分解。 前提条件 已创建项目。 已创建原始需求。 操作步骤 在原始需求列表中，单击需要分解需求所在行的图标，弹出“分解子工作项”窗口。 填写子工作项的信息。 单击图标，可以展开及配置更多信息。

查看更多 →

填写子需求的信息。 单击图标，可以展开及配置更多信息。 单击“确定”，分解成功。 US和IR的分解方法相同，US支持复制新建，不支持再分解。当IR的“归属项目”非本项目时，US的分解须在IR的“归属项目”中进行。 分解成功的IR和US还可在“研发需求”中查看、编辑，且IR的状态会自动卷积US的状态。

查看更多 →

分解原始需求 原始需求按层级划分为RR、IR、SR、AR，分别为第一、二、三、四级。RR可以分解为IR，IR可以分解为SR，SR可以分解为AR。AR是最小单位的研发需求，不能继续分解。 仅规划和实现状态的原始需求支持分解。 前提条件 已创建项目。 已创建原始需求。 操作步骤 在原

查看更多 →

分解研发需求 研发需求按层级划分为IR、SR、AR，分别为第一、二、三级。IR可以分解为SR，SR可以分解为AR。AR是最小单位的研发需求，不能继续分解。 前提条件 已创建项目。 已创建研发需求。 操作步骤 在研发需求列表中，单击需要分解需求所在行的图标，弹出“分解子需求”窗口。

查看更多 →

分解工作项 所有工作项按层级划分为Epic > FE > US > Task。Epic可以分解为FE，FE可以分解为US，US可以分解为Task，Task不能继续分解。 前提条件 已创建项目。 已创建Epic、FE或US工作项。 操作步骤 在“工作项 > 全部”列表中，单击需要分

查看更多 →

协方差矩阵 概述 协方差，在概率论与统计学中用于衡量随机变量的联合变化程度。正态形式的协方差大小可以显示变量之间线性关系的强弱，如：皮尔逊相关系数。但是协方差的数值大小也取决于变量的大小。协方差矩阵是多个变量之间的协方差所构成的矩阵表示形式。方差是协方差的一种特殊形式。 输入 参数

查看更多 →

标准策略、极速策略和深度策略有哪些区别？ 漏洞管理服务提供支持以下3种网站扫描模式： “极速策略”：扫描的网站URL数量有限且漏洞管理服务会开启耗时较短的扫描插件进行扫描。 “深度策略”：扫描的网站URL数量不限且漏洞管理服务会开启所有的扫描插件进行耗时较长的遍历扫描。 “标准策

查看更多 →

ModelArts与DLS服务的区别？ 深度学习服务（DLS）是基于华为云强大高性能计算提供的一站式深度学习平台服务，内置大量优化的网络模型，以便捷、高效的方式帮助用户轻松使用深度学习技术，通过灵活调度按需服务化方式提供模型训练与评估。 但是，DLS服务仅提供深度学习技术，而ModelAr

查看更多 →

ModelArts自动学习与ModelArts PRO的区别 ModelArts自动学习，提供了AI初学者，零编码、零AI基础情况下，可使用自动学习功能，开发用于图像分类、物体检测、预测分析、文本分类、声音分类等场景的模型。 而ModelArts PRO是一款为企业级AI应用打造

查看更多 →

DLI SDK功能矩阵 SDK开发指南指导您如何安装和配置开发环境、如何通过调用DLI SDK提供的接口函数进行二次开发。 Java、Python SDK功能矩阵请参见表1 表1 SDK功能矩阵 语言 功能 内容 Java OBS授权 介绍将OBS桶的操作权限授权给DLI的Java

查看更多 →

SDK功能矩阵 Java、Python、C、.NET、Node.js、Android SDK对OBS各接口的支持情况请参见表1。 iOS、PHP、Go、BrowserJS SDK对OBS各接口的支持情况请参见表2。 表1 OBS SDK功能矩阵1 接口类型 接口名 函数名/特性归属函数名

查看更多 →

最小二乘法 概述 ALS（交替最小二乘）是一种求解矩阵分解问题的最优化方法。 “交替最小二乘”节点用于推荐，它通过矩阵分解手段快速实现用户对物品评分的预测。 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

查看更多 →