被用户标注为某个分类的所有样本中，模型正确预测为该分类的样本比率，反映模型对正样本的识别能力。 精确率 被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力。 准确率 所有样本中，模型正确预测的样本比率，反映模型对样本整体的识别能力。 F1值 F1值是模型精确率和召

查看更多 →

数据的发布等，为数据源计算节点提供全生命周期的可靠性监控、运维管理。 可信联邦学习 对接主流深度学习框架实现横向和纵向的联邦训练，支持基于安全密码学(如不经意传输、差分隐私等)的多方样本对齐和训练模型的保护。 数据使用监管 为数据参与方提供可视化的数据使用流图，提供插件化的 区块链

查看更多 →

法。 学习率：优化算法的参数，决定优化器在最优方向上前进步长的参数。默认0.1。 初始梯度累加和：梯度累加和用来调整学习步长。默认0.1。 L1正则项系数：叠加在模型的1范数之上，用来对模型值进行限制防止过拟合。默认0。 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。

查看更多 →

“智能标注”是指基于当前标注阶段的标签及图片学习训练，选中系统中已有的模型进行智能标注，快速完成剩余图片的标注操作。“智能标注”又包含“主动学习”和“预标注”两类。 “主动学习”表示系统将自动使用半监督学习、难例筛选等多种手段进行智能标注，降低人工标注量，帮助用户找到难例。 “预标注”表示选择用户模型管理里面的模型进行智能标注。

查看更多 →

“梯度提升树回归”节点用于生成回归模型，是一种基于决策树的迭代回归算法。该算法采用迭代的思想不断地构建决策树模型，每棵树都是通过梯度优化损失函数而构建，从而达到从基准值到目标值的逼近。算法思想可简单理解成：后一次模型都是针对前一次模型预测出错的情况进行修正，模型随着迭代不断地改进，从而获得比较好的预测效果。

查看更多 →

样本对齐支持PSI算法 纵向联邦作业中支持对两方数据集进行样本对齐，在不泄露数据隐私的情况下计算出双方共有的数据，并将共有的数据作为后续特征选择、模型训练的数据集。 公测 创建纵向联邦学习作业 2021年3月 序号 功能名称 功能描述 阶段 相关文档 1 纵向联邦学习 纵向联邦机

查看更多 →

随机森林回归 概述 “随机决策森林回归”节点用于产生回归模型。随机决策森林是用随机的方式建立一个森林模型，森林由很多的决策树组成，每棵决策树之间没有关联。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

查看更多 →

使用 TICS 可信联邦学习进行联邦建模 场景描述 准备数据 发布数据集 创建可信联邦学习作业 选择数据 样本对齐 筛选特征 模型训练 模型评估 父主题： 纵向联邦建模场景

查看更多 →

data_count Long 样本对齐数据量 obs_path String obs/本地文件路径 start_time String 开始时间 end_time String 结束时间 result_ext String 样本对齐结果 请求示例 查询样本对齐结果 get https://100

查看更多 →

机器学习，联合建模。 模型评估 评估训练得出的模型权重在某一数据集上的预测输出效果。 纵向联邦机器学习 纵向联邦机器学习，适用于参与者训练样本ID重叠较多，而数据特征重叠较少的情况，联合多个参与者的共同样本的不同数据特征进行联邦机器学习，联合建模。 已发布区域：北京四、北京二 如何创建横向训练型作业？

查看更多 →

上设置“AI训练”或“学习案例”，以标识出正样本。 专家经验库按不同采集来源的图片与视频进行分类，分为任务经验库和问题经验库（问题经验库暂未实现），其中任务经验库分为检查单、任务与告警三种归类方式。 用户可以通过专家经验库查看样本数量、样本详情等，并对样本进行管理。 父主题： 专家经验库

查看更多 →

管理，特别是深度学习的大数据集，让训练结果可重现。 极“快”致“简”模型训练 自研的MoXing深度学习框架，更高效更易用，有效提升训练速度。 多场景部署 支持模型部署到多种生产环境，可部署为云端在线推理和批量推理，也可以直接部署到端和边。 自动学习 支持多种自动学习能力，通过“

查看更多 →

创建模型微调流水线 模型微调是指调整大型语言模型的参数以适应特定任务的过程，适用于需要个性化定制模型或者在特定任务上追求更高性能表现的场景。这是通过在与任务相关的数据集上训练模型完成，所需的微调量取决于任务的复杂性和数据集的大小。在深度学习中，微调用于改进预训练模型的性能。 前提条件

查看更多 →

数据权限通知数据目录当前模型的样本量接口 功能介绍 数据权限通知数据目录当前模型的样本量接口。 URI URI格式 POST /softcomai/datalake/v1.0/notify/entityAmount 参数说明 无。 请求 请求样例 POST https://dat

查看更多 →

单样本t检验 单样本t检验目前仅支持在ML Studio镜像内运行，不支持发布到dli。 概述 t检验也称为Student t检验，它是一种使用假设检验来评估一个或两个总体均值的工具。单样本t检验可用于检验一个正态分布的总体的均值是否在满足零假设的值之内。 输入 参数 子参数 参数说明

查看更多 →

Negative（FN）：假负类。样本的真实类别是正类，但是模型将其识别为负类； False Positive（FP）：假正类。样本的真实类别是负类，但是模型将其识别为正类； True Negative（TN）：真负类。样本的真实类别是负类，并且模型将其识别为负类。 输入 参数 子参数

查看更多 →

产品术语 A AI应用市场 提供AI模型的交易市场，是AI消费者接触NAIE云服务的线上门户，是AI消费者对已上架的AI模型进行查看、试用、订购、下载和反馈意见的场所。 AI引擎 可支持用户进行机器学习、深度学习、模型训练的框架，如Tensorflow、Spark MLlib、M

查看更多 →

产品优势 检测准确 基于深度学习技术和大量的样本库，帮助客户快速准确进行违规内容检测，维护内容安全。 功能丰富 提供图文视频内容检测，覆盖涉黄、广告、涉暴等多种违规风险的内容检测，以及检测图像清晰度和构图质量等功能。 稳定可靠 内容审核 服务已成功应用于各类场景，基于华为等企业客户的长期实践，经受过复杂场景考验。

查看更多 →

object 通过样本属性搜索。 parent_sample_id String 父样本ID。 sample_dir String 根据样本所在目录搜索（目录需要以/结尾），只搜索指定目录下的样本，不支持目录递归搜索。 sample_name String 根据样本名称搜索（含后缀名）。

查看更多 →

算法基本原理 分身数字人驱动算法是指通过深度学习生成数字人驱动模型，模型生成后，输入音频来合成数字人视频的一种技术。 其基本情况包括： 输入数据：真人视频、音频。 算法原理：通过深度学习算法来学习真人视频，生成驱动该真人形象的数字人模型。通过该模型输入音频，合成数字人视频。 输出结果：数字人视频。

查看更多 →

联邦学习&重训练，保障模型应用效果 支持联邦学习，模型可以采用多地数据进行联合训练，提升样本多样性，提升模型效果 支持迁移学习，只需少量数据即可完成非首站点模型训练，提升模型泛化能力 模型自动重训练，持续优化模型效果，解决老化劣化问题 预置多种高价值通信增值服务，缩短模型交付周期

查看更多 →