整数。 分类阈值 区分正负例的得分阈值。 逻辑回归/FiBiNET 学习率 控制权重更新的幅度，影响训练收敛速度和模型精度，取值范围为0~1。 迭代次数 完成全部样本训练的次数，取值为正整数。 批大小 单次训练使用的样本数，取值为正整数。 分类阈值 区分正负例的得分阈值 自定义配置：

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 →

整数。 分类阈值 区分正负例的得分阈值。 逻辑回归/FiBiNET 学习率 控制权重更新的幅度，影响训练收敛速度和模型精度，取值范围为0~1。 迭代次数 完成全部样本训练的次数，取值为正整数。 批大小 单次训练使用的样本数，取值为正整数。 分类阈值 区分正负例的得分阈值 自定义配置：

查看更多 →

的能力。 在形成可用的训练数据前，需要对这些影像数据进行正负样本的手工分类，符合标准的影像作为模型训练中的正样本数据。实际操作中，我们通过对单个影像实例进行查看和对比，在界面上设置“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

查看更多 →

召回率 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 F

查看更多 →

选择较大的训练数据比例，以便训练出更准确的模型。一般来说，训练数据比例在70%到90%之间是比较常见的选择。 验证数据比例 验证数据比例是指在模型训练过程中，将数据集分为训练集、验证集和测试集三部分，其中验证集的比例是指在训练集和验证集的比例中，验证集所占的比例。 通常情况下，数

查看更多 →

召回率 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 F

查看更多 →

召回率 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 F

查看更多 →

样本对齐 单击右下角的下一步进入“样本对齐”页面，这一步是为了进行样本的碰撞，过滤出共有的数据交集，作为后续步骤的输入。企业A需要选择双方的样本对齐字段，并单击“对齐”按钮执行样本对齐。执行完成后会在下方展示对齐后的数据量及对齐结果路径。 父主题： 使用 TICS 可信联邦学习进行联邦建模

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 →

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 →

水平正负柱图 本章节主要介绍水平正负柱图组件各配置项的含义。 图1 水平正负柱图 样式 尺寸位置 图表尺寸：设置图表的宽和高。单位为px。 图表位置：设置图表在画布中的位置。单位为px。 全局样式 字体：设置图表中文字的字体。 柱子样式 柱子宽度：设置柱子的宽度。 柱子圆角度：设置柱子的圆角度。

查看更多 →

数据清洗是在数据校验的基础上，对数据进行一致性检查，处理一些无效值。例如在深度学习领域，可以根据用户输入的正样本和负样本，对数据进行清洗，保留用户想要的类别，去除用户不想要的类别。 数据选择：数据选择一般是指从全量数据中选择数据子集的过程。 数据可以通过相似度或者深度学习算法进行选择。数据选择可以避免人工采集图片

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 →

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 →

本节实验不再将训练集均匀划分到两个参与方，而是以不同的比例进行划分，从而探究当参与方数据量不同时，模型性能的变化情况。具体划分如下所示。实验中训练轮数固定为10，迭代次数固定为50。 参与方持有的样本数目信息 Host所持样本占比(%) Host样本数 Guest样本数 0.2 2946 11786 0

查看更多 →

集，不支持启动主动学习和自动分组任务，支持预标注任务。 “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

查看更多 →

的数据碰撞后的正负样本总数，正负样本总数相加即为双方共有数据的总数。 select sum( case when i.label > 0 then 1 else 0 end ) as positive_count, sum(

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 →

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 →