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 →

加权采样 概述 加权采样是一种数据采样算法，依据数据集中权重列进行数据采样，权重越大的样本被采样的概率越大。 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。 输出 参数 子参数

查看更多 →

数据采样 如果数据量太大，造成特征操作等待的时间长，用户可以通过采样功能减少特征处理的数据量，提升特征处理的速度。 数据采样提供如下两种方式，请根据实际情况进行选择： 随机采样：按照比例进行样本数据的随机采样。 分层采样：如果一个特征或多个特征组合样本值的类型多样，为保证采样数据

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 →

数据样本采样的方法。 包含如下方式： 随机采样：随机选取指定数量的样本。 随机百分比：随机选取指定百分比的样本。 前N条：按照从前往后的顺序选取指定数量的样本。 全量：选取全部样本。 采样参数 采样方法为“随机采样”或“前N条”时，取值为记录数；采样方法为“随机百分比”时，取值为百分比。

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 →

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 →

随机值转换 概述 “随机值转换”算子，用于配置新增值为随机数的字段。 输入与输出 输入：无 输出：随机值字段 参数说明 表1 算子参数说明 参数 含义 类型 是否必填 默认值 输出字段名 配置生成随机值的字段名。 string 是 无 长度 配置字段长度。 map 是 无 类型

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 →

采样方式介绍 蒙特卡洛采样 蒙特卡洛采样是一种简单的随机抽样，根据概率分布进行采样，如对样本服从µ=0，δ=1的正态分布，通过蒙特卡洛采样进行采样，采样得到的点能满足正态分布要求，如下图所示，采样得到的点会集中µ=0附近，要想采样得到更边界的点，需要进行大量采样。 图1 蒙特卡洛采样

查看更多 →

随机值转换 概述 “随机值转换”算子，用于配置新增值为随机数的字段。 输入与输出 输入：无 输出：随机值字段 参数说明 表1 算子参数说明 参数 含义 类型 是否必填 默认值 输出字段名 配置生成随机值的字段名。 string 是 无 长度 配置字段长度。 map 是 无 类型

查看更多 →

创建随机数 功能介绍 功能介绍： 生成8~8192bit范围内的随机数。 调用方法 请参见如何调用API。 URI POST /v1.0/{project_id}/kms/gen-random 表1 路径参数 参数 是否必选 参数类型 描述 project_id 是 String

查看更多 →

采样方式有几种？ 蒙特卡洛采样 蒙特卡洛采样时一种简单的随机抽样，根据概率分布进行采样，如对样本服从µ=0，δ=1的正态分布，通过通过蒙特卡洛采样进行采样，采样得到的点能满足正态分布要求，但如下图所示，采样得到的点会集中µ=0附近，要想采样得到更边界的点，需要进行大量采样。 图1

查看更多 →

模型评估 训练时的评估指标是用训练的数据集中随机采样的记录计算的，完成训练后企业A也可以使用其他的数据集对同一个模型进行多次的评估。单击“发起评估”选择训练参与方不同的数据集即可发起模型评估。 至此使用可信联邦学习进行联邦建模的过程已经完成，企业A已经训练出了一个符合自己要求的算

查看更多 →

随机森林分类 概述 “随机决策森林分类”节点用于产生二分类或多分类模型。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，森林中的每一棵决策树分别进行判断，哪一类被选择最多，就预测这个样本属于那一类。 随机决策森林

查看更多 →

随机密码生成 可以随机生成密码串。 连接参数 随机密码生成连接器使用AKSK认证，创建连接时连接参数说明如表1所示。 表1 连接参数说明 名称 必填 说明 示例值/默认值 连接名称 是 设置连接名称。 随机密码生成 描述 否 对于连接的信息描述说明。 description。 accessKey

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 →

迁移学习 如果当前数据集的特征数据不够理想，而此数据集的数据类别和一份理想的数据集部分重合或者相差不大的时候，可以使用特征迁移功能，将理想数据集的特征数据迁移到当前数据集中。 进行特征迁移前，请先完成如下操作： 将源数据集和目标数据集导入系统，详细操作请参见数据集。 创建迁移数据

查看更多 →

可见范围内的学员在学员端可看见此项目并可以进行学习，学习数据可在学习项目列表【数据】-【自学记录】查看。 学习设置： 防作弊设置项可以单个项目进行单独设置，不再根据平台统一设置进行控制。 文档学习按浏览时长计算，时长最大计为：每页浏览时长*文档页数；文档学习按浏览页数计算，不计入学习时长。 更多设置：添加协同人

查看更多 →

调整参数和超参数。 神经网络中：学习率、学习衰减率、隐藏层数、隐藏层的单元数、Adam优化算法中的β1和β2参数、batch_size数值等。 其他算法中：随机森林的树数量，k-means中的cluster数，正则化参数λ等。 增加训练数据作用不大。 欠拟合一般是因为模型的学习能力不足，一味地增加数据，训练效果并不明显。

查看更多 →