可自行选择您需要预测的列名。 标签列是预测模型的输出。模型训练步骤将使用全部信息训练预测模型，该模型以其他列的数据为输入，以标签列的预测值为输出。模型部署步骤将使用预测模型发布在线预测服务。 “输出路径” 选择自动学习数据输出的统一OBS路径。 说明： “输出路径”是存储自动学习在运行过程中所有产物的路径。

查看更多 →

预测性维护功能 设备概览操作 登录数字孪生管理控制台。 单击左半侧目录“设备概览统计”。 图1 设备概览统计 预测设备台账操作 登录数字孪生管理控制台。 单击左半侧目录“预测设备台账”。 单击页面右侧页面内容左上方“添加”，进入“添加预测设备台账”页面。 图2 添加预测设备台账1

查看更多 →

- 业务结果 标签 座席选择的外呼业务结果 成功 待定 失败 只读 没有值表示座席尚未填写。 子状态 标签 外呼业务结果子状态 - 只读 - 业务描述 标签 座席填写的外呼业务的描述 - 只读 仅有手动外呼、预测外呼、预览外呼和预占外呼会有业务描述。 操作 按钮 查看外呼结果详情 详情

查看更多 →

Average）是时间序列预测中的经典模型，和AR/MA/ARMA模型之间联系紧密。 AR/MA/ARMA适用于平稳序列 (stationary) AR(p)：自回归模型，当前值可以描述为p个之前值的线性组合。利用线性组合的权值即可预测下一个值。 MA(q)：移动平均模型，当前值可以描述为序列

查看更多 →

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 confidence_scope String 关键样本置信度范围，用中划线隔开最小值和最大值。比如：“0.10-0.90”。 description String

查看更多 →

“训练输出”：选择一个OBS空目录存储训练输出的模型。 “超参”：此算法提供的参数均提供了默认值。如需修改，建议仔细阅读算法介绍，并根据参数解释进行修改。 “资源类型”：建议选择GPU进行训练。如果需要选择CPU，建议将上述“超参”中，“gpu”的值设置为“0”。 参数填写完成后，单击“提交”，确认规格，单击“确定”完成训练作业创建。

查看更多 →

预测接口（文本标签） 分词模型 命名实体识别模型 父主题： 在线服务API

查看更多 →

分子属性预测（MPP） ADMET属性预测接口 ADMET属性预测接口(默认+自定义属性) 父主题： API（AI辅助药物设计）

查看更多 →

得到模型时的输出（预测项）。 除标签列外数据集中至少还应包含两个有效特征列（列的取值至少有两个且数据缺失比例低于10%）。 当前由于特征筛选算法限制，预测数据列建议放在数据集最后一列，否则可能导致训练失败。 表格数据集示例： 以银行存款预测数据集为例：根据预测人的年龄、工作类型、

查看更多 →

回归反映的是数据属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的关系等。它可以应用到市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测及有针对性的促销活动等。

查看更多 →

重保风险预测 使用场景 仅白名单用户可以使用重保风险预测。 操作步骤 登录管理控制台。 选择“服务列表 > 管理与监管 > 优化顾问”优化顾问服务页面。 左侧导航树选择“容量优化 > 重保风险预测”。 单击“风险分析”进行风险预测配置。 批量参数设置，选择活动时间段。 配置容量阈

查看更多 →

Average）是时间序列预测中的经典模型，和AR/MA/ARMA模型之间联系紧密。 AR/MA/ARMA适用于平稳序列 (stationary) AR(p)：自回归模型，当前值可以描述为p个之前值的线性组合。利用线性组合的权值即可预测下一个值。 MA(q)：移动平均模型，当前值可以描述为序列

查看更多 →

Token认证就是在调用API的时候将Token加到请求消息头，从而通过身份认证，获得操作API的权限， 获取Token 接口响应消息头中X-Subject-Token的值即为Token。 表3 请求Body参数 参数 是否必选 参数类型 描述 smiles 是 String 分子SMILES表达式 最小长度：1

查看更多 →

分流：默认为100，输入值必须是0-100之间。 计算节点规格：请根据界面显示的列表，选择可用的规格，置灰的规格表示当前环境无法使用。如果公共资源池下规格为空数据，表示当前环境无公共资源。建议使用专属资源池，或者联系系统管理员创建公共资源池。 计算节点个数：默认为1，输入值必须是1-5之间的整数。

查看更多 →

联邦预测作业 概述 批量预测 实时预测 查看作业计算过程和作业报告

查看更多 →

使用 TICS 联邦预测进行新数据离线预测 场景描述 准备数据 发布数据集 创建联邦预测作业 发起联邦预测 父主题： 纵向联邦建模场景

查看更多 →

自动学习 准备数据 模型训练 部署上线 模型发布

查看更多 →

的识别能力。 f1：F1值 F1值是模型精确率和召回率的加权调和平均，用于评价模型的好坏，当F1较高时说明模型效果较好。 同一个自动学习项目可以训练多次，每次训练会注册一个新的模型一个版本。如第一次训练版本号为“0.0.1”，下一个版本为“0.0.2”。基于训练版本可以对训练模型

查看更多 →

自动学习声音分类预测报错ERROR:input key sound is not in model 根据在线服务预测报错日志ERROR：input key sound is not in model inputs可知，预测的音频文件是空。预测的音频文件太小，换大的音频文件预测。 父主题：

查看更多 →

tree_num Integer xgboost树数量，最大值2的31次方-1 tree_depth Integer xgboost树深度，最大值2的31次方-1 split_num Integer xgboost切分点数量，最大值2的31次方-1 current_agent_id String

查看更多 →

tree_num 否 Integer xgboost树数量，最大值2的31次方-1 tree_depth 否 Integer xgboost树深度，最大值2的31次方-1 split_num 否 Integer xgboost切分点数量，最大值2的31次方-1 current_agent_id

查看更多 →