。 这里会结合前面的算子“预测场景需求”、“特征画像”和“可预测性评估”的运行结果，综合评估推荐出最适合的预测算法，并利用超参优化，对推荐出的模型进行超参寻优。 单击“算法选择”左侧的图标，完成算法选择。 代码运行过程中，下方会不断的打印运行日志。代码运行完成后，可以看到“算法推荐”信息。

查看更多 →

练样本”或“学习案例样本”页签，单击样本下方的/。 单个下载样本：在“样本库”、“AI训练样本”或“学习案例样本”页签，单击样本下方的或单击样本，在样本详情页面单击样本中的 按任务归类 单击对应的“采集样本数量”、“AI训练样本数”或“学习案例样本数”列的数值，“可以进入到样本清单明细页面，查看当前的样本明细

查看更多 →

有关联。当有一个新的样本输入时，该样本取值为所有决策树的预测值的平均值。 随机决策森林回归中的决策树算法是递归地构建决策树的过程，用平方误差最小准则，进行特征选择，生成二叉树。平方误差计算公式如下： 其中 是样本类标的均值，yi 是样本的标签，N 是样本数量。 输入 参数 子参数

查看更多 →

，从而获得比较好的预测效果。 梯度提升树回归的损失函数为均方差损失函数，如下所示： 其中，N 表示样本数量，xi 表示样本i 的特征，yi 表示样本i 的标签，F(xi) 表示样本i 预测的标签。 输入 参数 子参数 参数说明 inputs dataframe inputs为字典

查看更多 →

面向个人/组织的云端多人协同样本标注与管理，支持基于多光谱、SAR、高光谱、无人机等航天航空影像及时空地理矢量数据进行标注，覆盖目标识别、语义分割、变化检测三种场景，实现从样本标注、质检、审核、样本集制作、入库管理全流程。 图5 多人协同的样本标注1 图6 多人协同的样本标注2 支持上传矢

查看更多 →

检查是否存在训练数据过少的情况，建议每个标签的样本数不少于100个，如果低于这个量级建议扩充。 检查不同标签的样本数是否均衡，建议不同标签的样本数量级相同，并尽量接近，如果有的类别数据量很高，有的类别数据量较低，会影响模型整体的识别效果。 选择适当的学习率和训练轮次。 通过详细评估中的错误识别示例，有针对性地扩充训练数据。

查看更多 →

样本管理 查询样本列表 查询单个样本详情 批量删除样本 父主题： 数据管理

查看更多 →

参数）压缩等，大部分技术在提升吞吐量的同时，不会造成对模型精度的影响。为了达到最短的收敛时间，需要在优化吞吐量的同时，对调参方面也做调优。调参不到位会导致吞吐量难以优化，当batch size超参不足够大时，模型训练的并行度就会相对较差，吞吐量难以通过增加计算节点个数而提升。 对

查看更多 →

检查是否存在训练数据过少的情况，建议每个标签的样本数不少于100个，如果低于这个量级建议扩充。 检查不同标签的样本数是否均衡，建议不同标签的样本数量级相同，并尽量接近，如果有的类别数据量很高，有的类别数据量较低，会影响模型整体的识别效果。 选择适当的学习率和训练轮次。 通过详细评估中的错误识别示例，有针对性地扩充训练数据。

查看更多 →

华为云自研渲染引擎：利用 云服务器 的GPU能力，实现离线与实时的光线追踪渲染，照片级真实光影效果，兼容存量材质格式对接，免去设计师手动材质调参，大幅提升设计效率。 图6 GPU 图7 调参 核心技术3：3D云设计+3D云制造同源一体化软件 设计生产一体化：3D云设计、3D云订单、排产软件同源一体化，同一

查看更多 →

annotation_output String 主动学习标注结果输出路径。 collect_rule String 样本收集规则，默认为全量收集规则“all”。当前仅支持全量收集规则“all”。 collect_sample Boolean 是否启用样本收集。可选值如下： true：启用样本收集（默认值） false：不启用样本收集

查看更多 →

批量删除样本 功能介绍 批量删除样本。 调试 您可以在 API Explorer 中调试该接口，支持自动认证鉴权。API Explorer可以自动生成SDK代码示例，并提供SDK代码示例调试功能。 URI POST /v2/{project_id}/datasets/{dataset

查看更多 →

批量删除样本 根据样本的ID列表批量删除数据集中的样本。 dataset.delete_samples(samples) 示例代码 批量删除数据集中的样本 from modelarts.session import Session from modelarts.dataset import

查看更多 →

式如下： 熵是信息论中的概念，用来表示集合的无序程度，熵越大表示集合越混乱，反之则表示集合越有序，计算公式如下： fi表示类别i样本数量占所有样本的比例，C表示数据类别数。 输入 参数 子参数 参数说明 inputs dataframe inputs为字典类型，dataframe

查看更多 →

块链对接存储，实现使用过程的可审计、可追溯。 智能风控服务 应用在金融领域（银行、保险、证券）风控平台等系统中，解决这些系统所面临的大数据量，高并发，低时延，水平扩展，业务编程，多租户等瓶颈问题。

查看更多 →

如果设置fraction，则按照比例拆分，阈值列和阈值设置无效。 样例 数据样本 鸢尾花数据集，species列代表鸢尾花种类，共有Iris-setosa、Iris-versicolor和Iris-virginica三种类别，每种类别样本数量为50。 图1 数据样本 配置流程 运行流程 参数设置

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 →

objects 样本标签列表。 metadata 否 SampleMetadata object 样本metadata属性键值对。 name 否 String 样本文件名称，名称不能包含!<>=&"'特殊字符，长度为0-1024位。 sample_type 否 Integer 样本类型。可选值如下：

查看更多 →

分区数，有放回采样需设置该参数，数据量较大时可将该参数调大。 10 random_seed 否 随机种子。 1234 样例 截取部分样例数据如下，weight为权重列，class列中包括A，B，C，D四种类别，权重分别为1，2，4，10。 配置流程 运行流程 参数设置 以按比例采样为例，设置有放回采样

查看更多 →

L2正则项系数 叠加在模型的2范数之上，用来对模型值进行限制防止过拟合。默认0。 正则损失计算方式 正则损失计算当前有两种方式。 full：指针对全量参数计算。 batch：则仅针对当前批数据中出现的参数计算 说明： batch模式计算速度快于full模式。 重新训练 对第一次训练无影响，仅影响任务重跑。

查看更多 →

检查是否存在训练数据过少的情况，建议每个类别的图片量不少于100个，如果低于这个量级建议扩充。 检查不同标签的样本数是否均衡，建议不同标签的样本数量级相同，并尽量接近，如果有的类别数据量很高，有的类别数据量较低，会影响模型整体的识别效果。 选择适当的学习率和训练轮次。 通过详细评估中的错误识别示例，有针对性地扩充训练数据。

查看更多 →