中软国际数据治理专业服务解决方案实践

在当前界面，可以看到如下两个特征工程： HardDisk-Detect_Good：好盘特征工程，用于对好盘训练数据或测试数据，进行数据处理，并生成经过特征处理后的新数据。 HardDisk-Detect_Fail：坏盘特征工程，用于对坏盘训练数据或测试数据，进行数据处理，并生成经过特征处理后的新数据。

查看更多 →

特征工程 特征工程可对推荐系统的离线数据进行处理，它包含两个功能： 从离线数据中提取用户、物品画像和RES内部通用格式数据； 把RES内部通用格式数据处理成训练排序模型所需的训练数据、测试数据等。 与功能对应，特征工程的两个任务分别是： 初始用户画像-物品画像-标准宽表生成 排序样本预处理

查看更多 →

RESTATE signature_type 否 String 特征类型。 signature_name 否 String 特征名称。 signature_attributes 否 Array of 表4 objects 特征属性。 表4 MetadataAttributeRequest

查看更多 →

离散特征分析 概述 离散值特征分析通过每个离散特征的gini，entropy，gini gain，information gain，information gain ratio等和每个离散值对应的gini，entropy指标，方便对离散特征进行理解。 输入 参数 子参数 参数说明

查看更多 →

特征异常检测 概述 特征异常检测的方法包括箱型图（Box-plot）和AVF（Attribute Value Frequency） 箱型图用于检测连续值类特征的数据，根据四分位数检测异常特征。 AVF用于检测枚举值类特征的数据，根据枚举特征的取值频率及阈值检测异常特征。 箱型图异常检测

查看更多 →

一次训练所选取的样本数。 训练数据集切分数量 将整个数据集切分成多个子数据集，依次训练，每个epoch训练一个子数据集。 DeepFM DeepFM，结合了FM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组合，从而达到准确地特征组合学习，进行精准推荐。 表2 深度网络因子分解机参数说明

查看更多 →

单击图标，运行“时序数据去噪”代码框内容。 时间特征提取 时间特征提取是指从时序数据的时间列中提取出日期相关的特征，如年、月、日、时、分、秒、季节、星期几、一年中的第几周、一年中的第几天等特征。 操作步骤如下所示。 单击界面右上角的图标，选择“数据处理 > 时序数据处理 > 时间特征提取”，界面新增“时间特征提取”内容。

查看更多 →

提供给用户，用户通过实时访问和调用API获取 图像搜索 结果，帮助用户在图像库中进行相同或相似图像搜索。 API文档 添加数据 搜索数据 检查数据 更新数据 删除数据 02 入门 通过使用图像搜索服务的通用图片搜索功能，查找出图片库中与本地存储的图片相匹配的图片信息。 快速使用图像搜索

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 →

已发布区域：北京四、北京二 如何创建多方安全计算作业？ 可信联邦学习作业 可信联邦学习作业是 可信智能计算服务 提供的在保障用户数据安全的前提下，利用多方数据实现的联合建模，曾经也被称为联邦机器学习。 横向联邦机器学习 横向联邦机器学习，适用于参与者的数据特征重叠较多，而样本ID重叠较少的情况，联合多

查看更多 →

对待注入水印的源数据有什么要求？ 由于注入水印的原理是将水印原子信息嵌入到不同特征的数据中去，因此源数据特征越多，越能嵌入完整的水印信息、提高提取成功率，并且即使缺失部分数据也不影响水印提取。所以对需要注入水印的数据有如下要求： 待注入水印的源数据需要大于等于1000行。 小于1

查看更多 →

特征工程 如何选中全量特征列？ 算法工程处理的时候必须要先采样吗？ 特征处理操作完成后怎么应用于数据集全量数据？ 特征工程和算法工程的关系？ JupyterLab环境异常怎么处理？ 父主题： 常见问题

查看更多 →

特征工程 特征工程简介 Python和Spark开发平台 JupyterLab开发平台 父主题： 用户指南

查看更多 →

特征管理 特征操作接口 父主题： 应用模型

查看更多 →

特征工程 二值化 卡方选择 派生 特征转换 FP-growth 最小最大规范化 正则化 独热编码 主成分分析 离散化 标准化 字符串标签化 奇异值分解 过滤式特征选择 线性特征重要性 特征尺度变换 特征异常检测 特征异常平滑 gbdt编码模型训练 gbdt编码模型应用 父主题： 数据特征

查看更多 →

需要被进行尺度变换的特征名 - scale_method 尺度变换的方法 "ln" item_spliter 离散型特征的，iterm之间的分割符 "," kv_spliter 离散型特征KV的分割符 ":" 样例 输入数据 配置流程 运行流程 参数设置 输出结果 父主题： 特征工程

查看更多 →

全局特征信息文件 在特征工程、在线模块，近线模块时都会用到该全局的特征信息文件。当上传的数据中的特征有变化时，用户需要同步更新该文件。该文件为JSON格式，包含特征名、特征大类、特征值类型。 表1 全局特征信息文件字段描述 字段名 类型 描述 是否必选 user_features

查看更多 →

稀疏特征key和value的分隔符。 ":" 样例 数据样本 样例1 非稀疏数据 样例2 稀疏数据 配置流程 运行流程 参数设置 图1 样例1数据参数设置 图2 样例2数据参数设置 结果查看 图3 样例1数据运行结果 图4 样例2数据运行结果 父主题： 特征工程

查看更多 →

响应提取 响应提取是提取接口响应结果的某一部分，命名为参数，供后续测试步骤参数化调用。响应提取需要在前序测试步骤定义，后续测试步骤使用。 在前序测试步骤中，在“响应提取”页签创建要传递的参数。响应提取来源用到内置参数，请参考内置参数了解如何使用内置参数。响应提取同时支持正则表达式

查看更多 →

字符串提取 字符串提取说明 在设置检查点或者响应提取时，若使用设置属性栏的表达式无法满足需求，则可以在“高级提取类型”处选择“字符串提取”功能。 使用字符串截取功能， “类型值”输入框有两个： 第一个框表示起始索引。首位用“0”表示，起始索引包含在截取的字符串中。 第二个框表示结

查看更多 →

智能文档解析 功能介绍 智能文档解析基于领先的深度学习技术，对任意含有结构化信息的文档图像进行键值对提取、 表格识别 与版面分析并返回相关信息。不限制版式情况，可支持多种证件、票据和规范行业文档，适用于各类行业场景。 应用场景 金融：银行回单、转账存单、理财信息截图等。 政务：身份证、结婚证、居住证、各类企业资质证照。

查看更多 →