LightGBM
lightgbm是一个梯度Boosting框架，使用基于决策树的学习算法。它可以说是分布式的，高效的，有以下优势：更快的训练效率 低内存使用 更高的准确率 支持并行化学习 可以处理大规模数据 与常见的机器学习算法对比，速度是非常快的。计算逻辑...
诊断决策树
您可以通过诊断决策树，编排故障排查的过程。对于已知的明确故障，可以根据诊断现象，编排诊断决策树，进而故障发生时执行，完成故障定位。对于未知的故障，您可以依据运维经验，编排出常见的排查路径，辅助快速故障定位。新建诊断决策树 ...
诊断报告
执行诊断决策树时，系统会生成对应的诊断报告，记录诊断的执行信息。你可以在 诊断报告 页面查看所有诊断决策树的执行记录，包括诊断决策树名称、触发方式、诊断状态、创建时间、状态概要、结果概要以及诊断结果。在左侧导航栏上，单击 ...
模型可视化
决策树 系统展示Top10个重要树信息，单击决策树对应编号，可以查看决策树信息详情。树上的每个非叶子节点，代表的是当前决策需要用到的特征。每个树顶端的节点是这个树决策的第一个特征，根据该特征的取值不同分支向左（不高于阈值）或向右...
风险场景
关联诊断决策树 选填 手动选择诊断决策树。如需新增诊断决策树，请参见 新建诊断决策树。添加触发项 选填 可选 巡检规则 或 监控规则。如果选择 巡检规则，则需要选择对应的关联规则。如需新增巡检规则，请参见 新建规则。如果选择 监控...
诊断节点
诊断节点是诊断决策树的子节点，通过节点之间的关联，实现一棵完整的决策树。新建节点 登录高可用管理控制台。在左侧导航栏上，单击 故障诊断>诊断节点。单击 新建，在 新建节点 页面，配置新节点的信息，包括节点名称、描述，选择节点类型...
XGBOOST回归
一、组件说明 XGBoost是一种基于梯度提升决策树（Gradient Boosting Decision Tree）的机器学习算法。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...
总览
站点数据统计：展示了治理风险数、历史风险数、巡检规则、诊断决策树数量、应急预案、演练场景、应用总数、应用覆盖率、产品总数以及产品覆盖率。单击统计数据可直接跳转至相应的业务详情列表。风险统计：今日巡检任务：展示了今日巡检任务...
风险事件
告警指标：应急分析：风险事件关联了诊断决策树时，该模块将展示自动触发的诊断决策树中诊断异常的信息。应急响应：包括未响应和已响应的成员。应急过程：展示了当前风险应急处理的流程与进展（发现风险>应急过程>应急完成）以及应急处理...
诊断规则
通过故障诊断平台，运维人员可以将诊断过程、排查顺序进行图形化编排与设计，即故障诊断决策树。而后，在实际故障发生时，即可执行自动化、标准化的故障排查，并直接输出诊断报告，反馈诊断结果。故障诊断功能有效提升了故障排查效率，实现...
群体稳定性指标PSI
dt：决策树分箱。kmean：基于k均值聚类分箱。categorical_feature：类目型的特征。多个类目型之间使用英文逗号（,）分隔。示例/*polar4ai*/CREATE FEATURE psi_001 WITH(feature_class='psi',x_cols='Airline,Flight,AirportFrom,AirportTo...
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...
特征编码
功能介绍 特征编码由决策树和Ensemble算法挖掘新特征的一种策略，特征来自一个或多个特征组成的决策树叶子结点的one-hot结果。例如，下图有三棵树，共有12个叶子结点。根据树的顺序依次编码为0~11号特征，其中第一棵树的叶子结点占据0~3号...
概述
内置平台模型 内置平台模型，即PolarDB for AI提供的自研平台类模型，会集成到 PolarDB 中发布，如通义千问、诊断咨询机器人、聊天机器人、菜鸟决策树模型和异常检测模型等。用户只需要在数据库中部署模型和创建函数即可进行模型推理。目前...
GetTrainingJob-获取训练任务详情
{} HasModelInfo boolean 是否存有特征重要性、模式、决策树等特征信息。false ErrorCode integer 错误码。0 ErrorMessage string 错误信息。OK RequestId string 请求 ID。f8651828-609d-4de8-ab49-ab781d7fd85a 示例 正常返回示例 JSON ...
CreateTrainingJob-创建训练任务
{"start_date":"20210101","end_date":"20210131"} HasModelInfo boolean 是否存有特征重要性、模式、决策树等特征信息。false ErrorCode integer 错误码。0 ErrorMessage string 错误信息。OK RequestId string 请求 ID。f8651828-609d-4...
使用Hologres实现分页
分页决策树 分页SQL命令语法如下。SELECT.FROM.ORDER BY key LIMIT N OFFSET S SQL实现原理：对于扫描出来的记录，按照 key 排序，取 TOP N+S 条记录（通过部分排序 PARTIAL SORT 实现），然后丢弃前S条记录，返回剩下的N条记录。在分页...
ListTrainingJobs-获取训练任务列表
{\"end_date\":\"20220408\",\"op_target\":\"sms\",\"start_date\":\"20220101\"} HasModelInfo boolean 是否存有特征重要性、模式、决策树等特征信息。true ErrorCode integer 错误码。0 ErrorMessage string 错误信息。RequestId ...
随机森林
随机森林是一个包括多决策树的分类器，其分类结果由单棵树输出类别的众数决定。组件配置 您可以使用以下任意一种方式，配置随机森林组件参数。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...
SQL优化技术
性能跟踪的算法基于决策树模型，包括全量SQL追踪和慢SQL追踪等多维度追踪，对SQL模板优化后的性能指标与优化前进行对比，综合判断SQL模板在该时刻是否发生了性能衰减。业务往往是以天为周期变化，默认跟踪时间为24小时，没有回滚，则认为...
创建安全联邦学习任务（任务模式）
参数 描述 算法分类 支持的算法分类为FL决策树、FL线性回归、FL逻辑回归、FL深度学习。FL决策树支持的算法为 XGBoostWithDp:Decision_Tree，用于二分类、多分类、回归。FL线性回归支持的算法为 LinearRegressionWithHe:Linear_Regression_...
机器学习系统权限策略参考
什么是系统权限策略 权限策略是用语法结构描述的一组权限的集合，可以精确地描述被授权的资源集、操作集以及授权条件。阿里云访问控制（RAM）产品提供了两种类型的权限策略：系统策略和自定义策略。系统策略统一由阿里云创建，策略的版本...
CREATE INDEX
B-树索引还接受这些参数：deduplicate_items(boolean)控制 B 树重复数据删除技术的使用，设置为 ON 或 OFF 以启用或禁用优化。默认值为 ON.说明 通过 ALTER INDEX 关闭 deduplicate_items 可以防止将来的插入触发重复数据删除，但本身不会...
图像关键点训练
step Ir step 是 与学习率调整策略配合使用，多个step用半角逗号（,）连接。当epoch数量达到某个阶段，学习率默认衰减0.1倍。比如：初始学习率为0.1，总的训练迭代epoch轮数为20，lr step为5,10。则epoch轮数为1~5时，学习率为0.1；epoch轮...
图像分类训练（torch）
step lr step 是 与学习率调整策略配合使用，多个step用半角逗号（,）连接。当epoch数量达到某个阶段，学习率默认衰减0.1倍。比如：初始学习率为0.1，总的训练迭代epoch轮数为20，lr step为5,10。则epoch轮数为1~5时，学习率为0.1；epoch轮...
风险识别通用资源包
适用场景 通用资源包仅支持抵扣风险识别按量付费模式下产生的按量付费账单，购买后不支持使用决策引擎的自主配置功能。适用于以下业务场景：使用风险识别按量付费模式；需求量级较高、或使用规模较大，需要降低费用。计费周期 通用资源包...
XGBOOST多分类
一、组件说明 XGBoost是一种基于梯度提升决策树（Gradient Boosting Decision Tree）的机器学习算法。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...
XGBOOST二分类
一、组件说明 XGBoost是一种基于梯度提升决策树（Gradient Boosting Decision Tree）的机器学习算法。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...
新手入门路径
对于不了解优化求解器的新手同学，可以通过以下方式去了解和学习使用求解器。如果您是新手，建议您可以通过以下路径快速了解求解器能做什么，然后根据学习案例来学习概念和开发。新手入门学习路径 步骤1.浏览案例 快速浏览 什么是优化求解...
功能更新【2023年】
降低联邦学习使用门槛 内置多个个组件，包含数据处理、特征工程、机器学习+训练+预测+评估等组件，支持XGBOOST、逻辑回归、线性回归、MLP等常用算法，支持二分类、多分类、回归场景，能满足线索评级、金融评分卡、营销CTR/CVR模型等场景...
视觉映射功能概述
视觉映射主要包括新版组件样式中可配置的颜色映射器、形状映射器、尺寸映射器和条件树等功能。本文为您介绍视觉映射中不同功能的...条件树 条件树用于指定特定逻辑判断，用于进行条件样式修改或者设置筛选器样式，详情请参见 条件树使用说明。
视觉映射功能概述
视觉映射主要包括新版组件样式中可配置的颜色映射器、形状映射器、尺寸映射器和条件树等功能。本文为您介绍视觉映射中不同功能的...条件树 条件树用于指定特定逻辑判断，用于进行条件样式修改或者设置筛选器样式，详情请参见 条件树使用说明。
图像度量学习训练（raw）
如果您的业务场景涉及度量学习，则可以通过图像度量学习训练（raw）组件构建度量学习模型，从而进行模型推理。本文为您介绍图像度量学习训练（raw）组件的配置方法和使用示例。前提条件 已开通OSS并完成授权，详情请参见 开通OSS服务 和 云...
安装树莓派系统
即Raspbian需要单独组建软件仓库，而不能使用Debian的仓库：Debian下所有的软件包都需要用armhf重新编译。树莓派有部分特有的软件包，例如BCM2835 CPU的GPIO底层操作库。树莓派用户倾向于探索、尝试最新的软件，与Debian软件源的策略完全...
搭建BI分析组件并配置数据集案例
本文以创建 气泡图 为例，按步骤介绍搭建一个BI分析组件并使用数据集字段数据的方法。前提条件 数据集管理面板中已添加所需数据集内容，详情请参见 添加数据集。...说明 数据条件系列具体使用说明请参见 条件树使用说明。条件配置结果示例：
概览
使用EasyASR进行语音识别 使用EasyASR进行语音分类 轻量微调和推理ChatGLM模型实践 基于LangChain的检索知识库问答 基于开源库so-vits-svc生成AI歌手 AI图片修复 DLC 快速提交单机PyTorch迁移学习任务 使用NAS提交单机PyTorch迁移学习任务 ...
随机森林
随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习（Ensemble Learning）方法。计算逻辑原理 随机森林就是种了很多决策树，对输入向量进行分类（回归）。每一棵...
Quick BI新交叉表中使用树形展示后如何修改字段值显示...
概述 本文描述了Quick BI新交叉表中使用树形展示后如何修改字段值显示顺序。详细信息 在仪表板字段配置中，对字段排序选择自定义排序，即可调整字段值展示顺序。修改字段顺序前：修改顺序后：适用于 Quick BI 公共云专业版
资产识别
同时，站点树使用大数据泛化聚合算法（归一化算法）对URL和参数进行聚合展示。例如，站点树会将以下新闻站点的具体URL聚合为/{字符+数字}.html 的URL形式：/news1234.html /oldnews1223.html /news1224.html /news124.html 您可以在 站点树...
BI分析模式数据面板功能介绍
使用BI分析模式配置组件数据是一个全新的数据配置功能，需要与您准备的数据集内容相结合，您可以使用BI分析模式，为组件自由分配所需数据集的字段内容，合理配置图表数据映射和其他数据筛选等功能。本文介绍BI分析模式下组件数据配置面板...
- 产品推荐
- 这些文档可能帮助您