组件参考：所有组件汇总
特征尺度变换 您可以通过该组件对稠密或稀疏的数值类特征进行常见的尺度变换。特征离散 该组件是将连续特征按照一定的规则进行离散化。特征异常平滑 该组件可以将输入特征中包含异常的数据平滑到一定区间，支持稀疏和稠密数据格式。奇异值...
单波段拉伸
说明 Gamma校正是一种用于调整图像亮度和对比度的非线性变换技术，可以纠正由于显示设备的不一致性而导致的图像亮度失真问题。后期效果 辉光 强度：设置辉光的强度值，范围为0~5。半径：设置辉光的半径大小，范围为0~1。阈值：设置辉光的...
数据归一化
计算逻辑原理 min-max归一化：将数据进行一次线性变换，将数据映射到[0,1]区间。其公式为：若x的值相同，则归一化输出0.5。Z-score归一化：经过处理后的数据符合正态分布。其公式为：若x的值相同，则归一化输出0。其中x是原始数据，min是...
RGB色彩
说明 Gamma校正是一种非线性变换技术，用于调整图像的亮度和对比度。它可以纠正由于显示设备的不一致性而导致的图像亮度失真问题。后期效果 辉光 强度：设置辉光的强度值，范围为0~5。半径：设置辉光的半径大小，范围为0~1。阈值：设置辉光...
横向MLP二分类/MLP多分类/MLP回归
多层感知机是一种前馈神经网络，通过多个神经元的组合对输入特征进行非线性变换和特征提取，最终输出一个连续的预测结果。在训练过程中，利用反向传播算法（Backpropagation）和梯度下降算法（Gradient Descent）来优化模型参数，以最小化...
评分卡训练
分数转换 评分卡的信用评分等场景中，需要通过线性变换将预测得到的样本odds转换成分数，通常通过如下的线性变换实现。您可以通过如下三个参数指定线性变换关系：scaledValue：给出一个分数的基准点。odds：在给定的分数基准点处的odds值。...
工业分析建模
以搭建线性回归算法为例，配置线性回归组件。从左侧拖入线性回归组件到画布中，将CSV组件的输出端口（OUT）连接到线性回归组件的输入端口（IN1），使得CSV组件的数据输出流入到线性回归组件中。选中线性回归组件，右侧配置栏中单击 特征...
Pipeline部署在线服务
例如：需要部署线性回归模型用于在线预测，则线性回归训练组件和线性回归预测组件都需要运行成功。在线服务限制单输入单输出，因此需要从离线的Directed Acyclic Graph（DAG）图中选择单一串行链路进行部署。前提条件 已创建模型工作流...
FM算法
0.01 lambda 否 使用英文逗号（,）分隔的三个浮点数，分别表示0次项、线性项及二次项的正则化系数。0.01,0.01,0.01 initStdev 否 参数初始化标准差。0.05 FM预测 predResultColName 否 预测结果列名。prediction_result predScoreColName ...
线性回归
但是，线性回归模型对于离群点、噪声数据和非线性关系的数据比较敏感，需要进行特征标准化和正则化处理。组件截图 二、参数说明 字段设置 参数名称 参数说明 标签字段 用于训练的标签字段，数值类型，单选。特征字段 用于预测的特征字段，...
归一化
计算逻辑原理 min-max归一化：将数据进行一次线性变换，将数据映射到[0,1]区间。其公式为：Z-score归一化：经过处理后的数据符合正态分布。其公式为：说明 公式中x是原始数据，min是数据的最小值，max是数据的最大值，mean是数据的平均值，...
函数概览
正则式函数 函数名称 说明 支持SQL 支持SPL regexp_extract_all函数 提取目标字符串中符合正则表达式的子串，并返回所有子串的合集。提取目标字符串中符合正则表达式的子串，然后返回与目标捕获组匹配的子串合集。regexp_extract函数 提取...
MLP二分类/MLP多分类/MLP回归
多层感知机是一种前馈神经网络，通过多个神经元的组合对输入特征进行非线性变换和特征提取，最终输出一个连续的预测结果。在训练过程中，利用反向传播算法（Backpropagation）和梯度下降算法（Gradient Descent）来优化模型参数，以最小化...
逻辑回归二分类
正则化项 penalty 权重衰减项为L1正则或L2正则。安全设置 在联邦学习中，线性回归会通过半同态加密的方式保护各自数据的隐私。参数名称 参数说明 半同态加密算法 可选Paillier或Okamoto-Uchiyama两种加密算法制式。加密算法安全强度 强度越...
评分卡预测
线性模型中特征值和模型权重值直接相乘相加的结果，对应到评分卡模型中，如果模型进行了分数转换，则该分数输出转换后的得分。prediction_prob DOUBLE 二分类场景中预测得到的正例概率值，原始得分（未经分数转换）经过Sigmoid变换后得到该...
安全联邦学习-工作流FL
三、安全联邦学习已支持的能力 用途 算法分类 已支持算法 分类 决策树 XGBoostWithDp GBDTWithDp 逻辑回归 LogisticRegressionWithHe 神经网络 神经网络MLP 回归 线性回归 LinearRegressionWithHe 神经网络 神经网络MLP 四、如何进行安全...
机器学习开发示例
数据展示%pyspark#数据展示 ml_data.show()ML算法数据打印 步骤四：建立模型、运行线性回归模 说明 在本部分中，您将使用不同的正则化参数运行两个不同的线性回归模型，以基于人口（features）确定这两个模型中的任何一个对销售价格（label...
通用联邦学习模板
虚拟关联仅是在形式上模拟为同一份数据，以方便用户搭建顺利。step 2 数据拆分：将数据拆分为训练集和测试集，用于验证模型的各项指标数据。note：在模板中，选择了拆分比例80%，即80%数据用于训练（输出表1），20%数据用于测试（输出表2）...
电子表格支持函数说明
NORM.DIST 指定参数值、均值和标准偏差，返回正态分布函数（或正态累积分布函数）的值。NORM.INV 指定参数值、均值和标准偏差，返回正态分布函数的反函数的值。NORM.S.DIST-NORM.S.INV-PEARSON 计算给定数据集的皮尔逊积矩相关系数 r。...
Broker Load
Broker Load导入 查看Broker 阿里云EMR StarRocks实例在创建时已经自动搭建并启动Broker服务，Broker服务位于每个Core节点上。使用以下SQL命令可以查看Broker。SHOW PROC"/brokers;创建导入任务 语法 LOAD LABEL[<database_name>.](data_...
线性回归
模型地址 字符 算法参数 参数名 参数描述 是否必填 参数默认值 参数范围 是否使用截距 选择模型训练时是否使用截距 是 是 是 否 特征变量是否正则化 选择模型训练前是否对数据正则化 是 否 是 否 测试集比例 测试模型的数据占总输入数据的...
线性回归算法（Linear Regression）
本文介绍了线性回归算法（Linear Regression，以下简称LR）相关内容。简介 LR是利用线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。使用场景 LR是一个回归模型，主要用于拟合数值。该模型简单，可...
XGBOOST回归
它通过改进传统梯度提升决策树的方式，加入正则化项、特征子采样和并行化等优化技术。XGBoost的优点是能够自动处理缺失值、异常值和噪声数据，同时具有较高的预测准确率和泛化能力。在回归问题中，XGBoost每个决策树都是一个回归模型，它...
XGBOOST多分类
它通过改进传统梯度提升决策树的方式，加入正则化项、特征子采样和并行化等优化技术。XGBoost的优点是能够自动处理缺失值、异常值和噪声数据，同时具有较高的预测准确率和泛化能力。在多分类问题中，XGBoost将输入数据特征映射到多元分类...
XGBOOST二分类
它通过改进传统梯度提升决策树的方式，加入正则化项、特征子采样和并行化等优化技术。XGBoost的优点是能够自动处理缺失值、异常值和噪声数据，同时具有较高的预测准确率和泛化能力。在二分类问题中，XGBoost将输入数据特征映射到一个二元...
开始监听网页请求
组件配置示例 在 已打开的浏览器对象 中，选择前置组件（打开新网页 或 获取已打开网页）的输出项 v_web_obj_1 在 根据正则表达式进行匹配 中：选择是，资源路径URL通过正则匹配 选择否，默认值为否，资源路径URL通过精确匹配 在 资源路径...
岭回归训练
岭回归（Tikhonov regularization）算法是对不适定问题进行回归分析时，最常用的正则化方法。岭回归训练组件基于该算法，支持稀疏、稠密两种数据格式，且支持带权重样本的训练。本文为您介绍岭回归训练组件的配置方法。使用限制 支持的计算...
分段多项式回归
是 是 是 否 是否正则化 选择模型训练前是否对数据正则化。是 否 是 否 是否自动分段：是 参数名 参数描述 是否必填 参数默认值 参数范围 分段数 自动分段的数量。否 3[1,99999999]是否自动分段：否 参数名 参数描述 是否必填 参数默认值 ...
PS线性回归
线性回归（Linear Regression）是分析因变量和多个自变量之间的线性关系模型，参数服务器PS（Parameter Server）致力于解决大规模的离线及在线训练任务。PS线性回归支持千亿样本、十亿特征的大规模线性训练任务。组件配置 您可以使用以下...
横向逻辑回归二分类
一、组件说明 横向逻辑回归通过将线性回归模型的输出通过Sigmoid函数进行映射，将连续的预测值转换为概率值。Sigmoid函数具有“S”形状，可以将任意实数值映射为0和1之间的概率值，表示样本属于正例的概率。横向逻辑回归的训练过程是利用...
线性规划-专题多篇
优化求解器的线性规划...机器学习：带有L1正则项的SVM多分类问题 分类是机器学习领域中最基本的任务之一。其目的是建立输入向量x与分类变量y之间的映射关系。例如把一张张图片根据其内容分类为“动物”、“植物”等类别。本地版Python代码>
逻辑回归
模型地址 字符 算法参数 参数名 参数描述 是否必填 参数默认值 参数范围 惩罚类型 用于指定惩罚中使用的规范 否 L2 L2 无惩罚 正则强度的倒数 必须为正浮点数，与支持向量机一样，较小的值指定更强的正则化 否 1.0[0,99999999]是否使用截距...
网站问答
本文将介绍如何通过OpenSearch-LLM智能问答版实例搭建对网站内容知识问答服务。子账号授权（非必须）如果您使用的子账号请先参考此步骤给子账号添加对应的权限：1、（系统策略）管理开放搜索（OpenSearch）服务的权限：...
线性回归
线性回归（Linear Regression）是分析因变量和多个自变量之间的线性关系模型。组件配置 您可以使用以下任意一种方式，配置线性回归组件参数。方式一：可视化方式 在 Designer 工作流页面配置组件参数。页签 参数 描述 字段设置 选择特征列 ...
Proxima Searcher
比如离线构建时的optimizer指定为HnswBuilder，那么此处可指定HnswSearcher对应的检索参数：proxima.hnsw.searcher.max_scan_ratio:0.1 proxima.qc.searcher.brute_force_threshold int 1000 如果总doc数少于此值，则走线性检索 ...
Lasso回归训练
参数设置 惩罚因子：lambda 正则项系数，DOUBLE类型。收敛阈值 迭代方法的终止判断阈值，默认为1.0E~6。学习率 用于控制模型在训练过程中参数更新的速度。默认为0.1。最大迭代步数 最大迭代步数，默认为100。优化方法 优化问题求解时选择的...
LightGBM算法
regression_l1：使用L1正则项回归模型。multiclass：多分类。num_leaves 叶子的个数。取值为整数。默认值为128。max_depth 树的最大深度。取值为整数。默认值为7。说明 如果设置为-1，则表示不对树的深度做限制。但为防止过拟合，建议合理...
小程序场景
搜索相关能力主要是可开发 基于正则的模糊匹配，支持 基础聚合能力、GEO搜索能力、多字段模糊搜索最佳实践，但是搜索性能和搜索效果都有限，不支持分词、查询分析（QP）等能力。二、问题与需求 电商、内容行业对于查询意图理解有一定依赖的...
向量计算函数
向量缩放函数 vector_scale(array(double)vector1,double alpha)vector_scale(varchar vector1,double alpha)结合向量的加减法和向量的缩放，可以做任何线性变换。cosine_similarity 函数 计算 x 的余弦相似度。使用示例 查询和分析语句*|...
什么是AI分布式训练通信优化库AIACC-ACSpeed
如果机器本身是多卡或多机的加速比接近高线性度（即线性度接近于1），说明通信不是瓶颈，则ACSpeed的性能提升空间就会比较小。使用ACSpeed训练时，您需要了解以下特性含义。autotuner：ACSpeed默认开启autotuner功能，可以对通信算法进行自...
- 产品推荐
- 这些文档可能帮助您