阈值检测
告警数预测原理 ARMS会根据指标历史24h数据，计算指标会超出每个阈值的次数来预测在该设定下告警的数量。并且，ARMS提供了指标详细信息，您可以看到指标实际值超出阈值的具体时间。您可以根据这些信息调整阈值，以适配实际业务需求。相关...
阈值检测
告警数预测原理 ARMS会根据指标历史24h数据，计算指标会超出每个阈值的次数来预测在该设定下告警的数量。并且，ARMS提供了指标详细信息，您可以看到指标实际值超出阈值的具体时间。您可以根据这些信息调整阈值，以适配实际业务需求。相关...
阈值检测
告警数预测原理 ARMS会根据指标历史24h数据，计算指标会超出每个阈值的次数来预测在该设定下告警的数量。并且，ARMS提供了指标详细信息，您可以看到指标实际值超出阈值的具体时间。您可以根据这些信息调整阈值，以适配实际业务需求。相关...
区间检测
告警数预测原理 ARMS会根据指标历史24h数据，计算指标会超出每个阈值的次数来预测在该设定下告警的数量。并且，ARMS提供了指标详细信息，您可以看到指标实际值超出阈值的具体时间。您可以根据这些信息调整阈值，以适配实际业务需求。相关...
区间检测
告警数预测原理 ARMS会根据指标历史24h数据，计算指标会超出每个阈值的次数来预测在该设定下告警的数量。并且，ARMS提供了指标详细信息，您可以看到指标实际值超出阈值的具体时间。您可以根据这些信息调整阈值，以适配实际业务需求。相关...
区间检测
告警数预测原理 ARMS会根据指标历史24h数据，计算指标会超出每个阈值的次数来预测在该设定下告警的数量。并且，ARMS提供了指标详细信息，您可以看到指标实际值超出阈值的具体时间。您可以根据这些信息调整阈值，以适配实际业务需求。相关...
类目预测功能介绍
类目预测基本原理 类目预测的目标是预测搜索的query与类目的相关度，它需要用到历史query数据、点击行为数据、类目下的物品信息数据。具体来说是把之前搜过的query收集起来，结合搜索后的点击行为数据，与类目下的物品信息联系起来，刻画...
K近邻
K近邻算法进行分类的原理是针对预测表的每行数据，从训练表中选择与其距离最近的K条记录，将这K条记录中类别数量最多的类，作为该行的类别。组件配置 您可以使用以下任意一种方式，配置K近邻组件参数。方式一：可视化方式 在 Designer 工作...
组件参考：所有组件汇总
K近邻 该组件进行分类的原理是针对预测表的每行数据，从训练表中选择与其距离最近的K条记录，将这K条记录中类别数量最多的类，作为该行的类别。逻辑回归多分类 该组件是一个二分类算法，PAI提供的逻辑回归可以支持多分类，且支持稀疏及稠密...
算法说明
算法简介 预测算法是基于Prophet预测模型中的原理进行研发的。Prophet将时序数据分解为趋势项、周期项和假日项，分别进行拟合与预测，最终整合为未来数据的预测结果。其中Prophet使用linear function或者logistic function拟合趋势项，使用...
梯度提升回归树
计算逻辑原理 GBRT是一种迭代的回归树算法，由多棵回归树组成，合并许多弱学习器，每棵树只能对部分数据做出好的预测，所有树的结论累加起来得到最终结果。因为添加的树越来越多，可以不断迭代提高性能，所以GBRT是一种泛化能力较强的算法...
梯度提升决策树
计算逻辑原理 GBDT是一种迭代的决策树算法，由多棵决策树组成，每棵树只能对部分数据做出好的预测，所有树的结论累加起来得到最终结果，因此，添加的树越来越多，可以不断迭代提高性能。是一种泛化能力较强的算法。参数说明 IN端口-输入...
软测量校正
计算逻辑原理 当化验值校正确认信号从“校验中”变为“校验完毕”时：根据输入的年月日等时间点得到时间T，从IGate中读取T-K（即预测模型时间偏差）前后deltaT（即时间偏差上限）时间范围内的“预测值”历史数据，找到最接近T-K时刻的预测...
拒绝推断
算法原理 拒绝推断方法需要根据输入的包含真实标签和预测结果的训练数据（又称为授信数据），给缺少真实标签但包含预测结果的数据加上合适的标签，没有真实标签的数据又称为拒绝数据。该算法提供以下四种拒绝推断方法。模糊法 模糊法...
分段多项式预测
计算逻辑原理 分段多项式：通过把输入变量的取值空间分割成连续的区间，然后在每个区间中进行多项式拟合得到的。分段多项式具有可拟合成任意形状的曲线和点的随机性所产生的影响"局部化"的优点。参数说明 IN端口-输入参数 参数名 参数描述 ...
常见问题
云存储网关复制模式新玩法的部分复制是什么？云存储网关文件网关的缓存工作原理是什么？反向同步和极速同步：如何通过极速同步即时处理OSS上传对象？如何通过极速同步在多个网关直接实现数据共享？如何在日志监控中查看网关文件同步列表？...
K近邻
计算逻辑原理 最近邻方法的原理是找到距离新点最近的预定义数量的训练样本，并从中预测标签。样本数量可以是用户定义的常数（k-最近邻学习），也可以根据点的局部密度（基于半径的邻居学习）而变化。通常，距离可以是任何度量标准：标准...
XGBoost
计算逻辑原理 XGBoost是一棵树集成模型，它使用的是K（树的总数为K）个树的每棵树对样本的预测值的和作为该样本在XGBoost系统中的预测，XGBoost算法思想就是不断地添加树，不断地进行特征分裂来生长一棵树，每次添加一棵树，其实是学习一个...
岭回归预测
您可以使用岭回归预测组件做数值型变量的预测，包括房价预测、销售量预测、湿度预测等。本文为您介绍岭回归预测组件的配置方法。使用限制 支持的计算引擎为MaxCompute、Flink或DLC。算法原理 岭回归是一种专用于共线性数据分析的有偏估计...
操作指南FAQ
云存储网关复制模式新玩法的部分复制是什么？云存储网关文件网关的缓存工作原理是什么？反向同步和极速同步：如何通过极速同步即时处理OSS上传对象？如何通过极速同步在多个网关直接实现数据共享？如何在日志监控中查看网关文件同步列表？...
Lasso回归预测
Lasso回归预测组件支持稀疏、稠密两种数据格式。您可以使用该组件做一些数值型变量的预测，比如贷款额度预测、温度预测等。本文为您介绍Lasso回归预测组件的配置方法。使用限制 支持的计算引擎为MaxCompute、Flink或DLC。算法原理 Lasso...
HaaS EDU场景式应用整体介绍
本案例中包括以下主要知识点：按键事件 小游戏设计开发 记分系统 通过本案例的学习，能完整的学习到小游戏的开发原理，实际游戏模式设计与开发，同时，您也可以在开发之余，玩玩自己亲手打造的小游戏，别有一番韵味哦。2.10 飞机大战 作为...
GBDT二分类预测V2
GBDT二分类预测V2组件提供了针对GBDT二分类V2组件的预测功能，使用梯度提升决策树(Gradient Boosting Decision Trees)算法，对数据进行二分类问题的预测。本文介绍GBDT二分类预测V2组件的配置方法。支持计算资源 支持的计算引擎为...
预测与异常检测函数
关于函数的算法及原理请参见：LOG机器学习介绍（01）：时序统计建模 LOG机器学习介绍（03）：时序异常检测建模 LOG机器学习介绍（05）：时间序列预测 LOG机器学习最佳实战：时序异常检测和报警 函数列表 函数 说明 ts_predicate_simple ...
工作原理
日志服务提供时序预测功能，用于对时序数据进行自动化、智能化的预测。您可以根据预测结果判断时序数据未来的走势，提前感知系统或者业务关键指标的状态。本文介绍时序预测的背景信息、功能、调度与执行场景、使用建议等信息。背景信息 ...
横向预测
横向预测输出字段说明：预测类型 predict_result predict_detail predict_score 二分类 预测标签 预测概率矩阵 预测标签的概率 多分类 预测标签 预测概率矩阵 预测标签的概率 回归-回归值 聚类 簇序号-组件截图 二、参数说明 参数名称 参数...
创建时序预测作业
预测ID 时序预测作业会随时间推移进行持续预测，每次预测都有一个唯一的ID标识，即预测ID，格式为 Pred-{timestamp}，其中 {timestamp} 表示时序预测作业进行预测时的时间戳，精确到秒级。实体ID 通过选择实体ID，查看目标实体对应的时间...
预测
预测输出字段说明：预测类型 predict_result predict_detail predict_score 二分类 预测标签 预测概率矩阵 预测标签的概率 多分类 预测标签 预测概率矩阵 预测标签的概率 回归-回归值 组件截图 二、参数说明 字段设置 参数名称 参数说明 ...
Quick BI散点图如何预测数据
概述 本文主要介绍Quick BI中哪些图表可以预测数据，以及如何设置数据预测功能。问题描述 仪表板中的散点图是否可以预测数据，如何设置？问题原因 散点图不支持预测数据，其他的图表有的可以支持预测数据。解决方案 1.散点图不支持数据预测...
查看预测规则效果
如果伸缩组已设置了预测规则类型的伸缩规则，则您可以通过本文操作查看弹性伸缩的预测规则效果。背景信息 伸缩组设置了预测规则类型的伸缩规则后，您可以在伸缩规则详情中查看预测规则计算出的结果，评估是否符合预期，以判断是否需要做...
离线批量预测
对实时性要求不高的业务场景，通常会使用模型对数据集进行周期性的批量离线预测。在Designer中提供了支持离线预测的完整功能。本文为您介绍如何在Designer平台进行离线批量预测。在开发环境进行批量预测 Designer中提供了多种预测组件，...
人群预测
算法模型训练成功后，您可以使用算法模型进行复购预测，得到用户的未来N天购买概率。说明“未来N天”是指以算法模型使用的行为数据集的最近行为时间为基准，从该天起的未来N天，N的取值已在创建算法模型时设置。例如：今天是20210910，行为...
模型预测
本章节为您介绍在 Designer 训练得到模型后，如何做生产化部署对新数据进行预测。背景信息 部署模型主要是为了使用模型来进行新数据的预测。按照新数据的预测时效要求，预测任务分为两类：离线预测和在线预测。对于两类需求，在Designer...
类目预测功能使用
流程介绍 温馨提示：图中的内容必须都配置上，类目预测才会生效。流程演示 创建并训练类目预测模型 在左侧导航栏中，进入排序配置->类目预测页面，点击“创建”，进入创建流程。进入创建流程后，需要填入模型名称，数据类型，商品ID，商品...
模型预测
您可以在模型排行榜中选择某个模型进行预测任务，本文为您详细介绍GDB Automl模型预测的方法。操作步骤 模型预测完成后，在模型排行榜中选择需要预测的模型，单击 预测.选择用于模型预测的数据帧，单击 预测。在模型预测结果中，可以查看...
模型预测概述
本文为您介绍在Designer训练得到模型后，如何进行生产化部署以对新数据进行预测。部署模型主要是为了使用模型来进行新数据的预测。根据新数据预测的时效要求，预测任务分为两类：在线预测和离线预测。对于这两种需求，在Designer中都提供了...
模型说明
适用于标注语料有限的场景，训练和预测时间较长。StructBERT 分类模型【推荐】阿里巴巴达摩院自研的alicemind模型体系，主要原理为使用 StructBERT模型 从大量无标注语料进行预训练，精度较高，推理速度较慢。StructBERT小样本分类：基于...
工况识别-预测
计算逻辑原理 使用聚类、降维等无监督学习方法对工业数据进行分析，对不同工况数据分别建模。参数说明 IN端口-输入参数 参数名 参数描述 是否必填 输入数据类型 模型应用 选择模型类型与具体模型，再配置模型输入数据。是 特征变量：整数或...
AHPA概述
阿里云容器服务与达摩院决策智能时序团队合作推出了AHPA（Advanced Horizontal Pod Autoscaler）弹性预测，可以根据业务历史指标，自动识别弹性周期并对容量进行预测，帮你提前进行弹性规划，解决弹性滞后的问题。本文介绍AHPA的业务架构、...
网络洞察仪
工作原理 评估公网质量是否发生异常 通过实时分析网络洞察仪的出入公网流量，应用AIOps算法分析和预测公网流量的健康运行状况模型，若您的业务流量偏离模型评估的健康范围，洞察仪将产生告警帮助您及时感知业务网络异常，并从以下两个方面...
- 产品推荐
- 这些文档可能帮助您