算法说明
日志聚类算法 日志聚类算法基于日志聚类功能，日志聚类功能对日志数据进行粗粒度聚类，日志聚类算法在粗粒度聚类的结果上进行精度更高的二次聚类。开启日志聚类、查看聚类结果等操作步骤，请参见 日志聚类。模板发现算法 模板发现算法使用...
标签传播聚类
算法说明 图聚类是根据图的拓扑结构，进行子图的划分，使得子图内部节点的连接较多，子图之间的连接较少。在用一个唯一的标签初始化每个节点之后，该算法会重复地将一个节点的标签社群化为该节点的相邻节点中出现频率最高的标签。当每个...
人脸聚类相关问题
媒体集是媒体搜索和人脸聚类的范围，不允许跨媒体集进行搜索和聚类。建议以此为依据进行划分。例如云相册场景，建议每个终端用户一个媒体集。一张图片会被分到几个组？一个图片中有很多人会怎么样？人脸聚类是按照人脸的维度来分组的。如果...
K-均值聚类
k-均值聚类（Kmeans）算法是非常基础且被大量使用的聚类算法。算法基本原理：以空间中k个点为中心进行聚类，对最靠近它们的点进行归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。将样本集分为k个类别的算法描述...
K均值聚类算法（K-Means）
简介 K-Means算法是一种迭代求解的聚类分析算法。该算法原理为：先将数据分为K组，随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，将每一个对象分配给距离它最近的聚类中心，聚类中心以及分配给它们的...
DBSCAN
DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一种基于密度的聚类算法。它将簇定义为密度相连的点的最大集合，把具有足够高密度的区域划分为簇，可以在噪声的空间数据集中发现任意形状的聚类。您可以使用...
工况识别-训练
否 10[1,100]聚类方法：k均值聚类、均值漂移聚类、高斯混合聚类 参数名 参数描述 是否必填 参数默认值 参数范围 聚类数下限 聚类类别数量下限。用于寻找最优聚类类别数。否 2[2,15]聚类数上限 聚类类别数量上限。用于寻找最优聚类类别数。...
DBSCAN聚类
功能说明 DBSCAN（Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法）是一种基于密度的空间聚类算法。DBSCAN 的核心概念是 core samples,是指位于高密度区域的样本。DBSCAN算法将聚类视为被低...
DBSCAN预测
DBSCAN（Density Based Spatial Clustering of Applications with Noise）是一种基于密度的聚类算法。它将簇定义为密度相连的点的最大集合。把具有高密度的区域划分为簇，可以在噪声的空间数据集中发现任意形状的聚类。您可以使用DBSCAN...
UpdateFigureCluster-更新人物聚类
更新一个人脸聚类分组的信息，可以更新分组的名称、标签等信息。接口说明 请确保在使用该接口前，已充分了解智能媒体管理产品的收费方式和 价格。调用该接口前，请确保您已通过创建人物人脸聚类任务（CreateFigureClusteringTask）将数据...
新旧版本使用指引
UpdateFigureCluster-更新人物聚类 UpdateFaceGroup-更新媒体集中人脸分组-SearchImageFigureCluster-查询图片人脸所属聚类 无 新版支持搜索图片中人物所在的聚类分组。CreateFacesSearchingTask-创建相似人脸图片检索任务 ...
横向聚类
一、组件说明 横向聚类组件是横向场景下的一种无监督机器学习算法，用于将n个数据点分成k个簇，使得簇内的数据点具有高度相似性。聚类算法通过度量数据点之前的相似性或距离来确定数据点之间的关系，将相似的数据点划分到同一簇中。适用于...
高维向量检索（PASE）
说明 HNSW算法是在NSW算法的单层构图的基础上构造多层图，在图中进行最近邻查找，可以实现比聚类算法更高的查询加速比。两种算法都有特定的适用业务场景，例如IVFFlat适合高精图像对比场景，HNSW适合搜索推荐的召回场景。后续会陆续集成...
高维向量检索（PASE）
说明 HNSW算法是在NSW算法的单层构图的基础上构造多层图，在图中进行最近邻查找，可以实现比聚类算法更高的查询加速比。两种算法都有特定的适用业务场景，例如IVFFlat适合高精图像对比场景，HNSW适合搜索推荐的召回场景。后续会陆续集成...
高效向量检索（PASE）
说明 HNSW算法是在NSW算法的单层构图的基础上构造多层图，在图中进行最近邻查找，可以实现比聚类算法更高的查询加速比。两种算法都有特定的适用业务场景，例如IVFFlat适合高精图像对比场景，HNSW适合搜索推荐的召回场景。使用PASE 使用方法...
K均值聚类
是 自动 自动 K-Means算法 elkan K-Means算法 其他参数 参数名 参数描述 模型结果 模型结果展示模型聚类效果以及聚类结果，其中“CH分数（即Calinski-Harabasz指标）”和“轮廓系数”反应聚类效果，值越大，说明聚类效果越好。
聚类标注功能使用介绍
待标注内容中有关标题解释如下：聚类问法组：借助聚类算法将语义相近的用户问法进行分类，每种类别称为一个问法组，对应的数字表示该问法组包含的用户问法数；用户问法：显示用户会话日志中聚类后的用户问题及数量；匹配类型：显示用户问法...
Contextual Bandit 算法
相较A/B测试方案，能更快地收敛到最优策略 如何在一次请求中推荐多个候选物品，使用如下Multiple-Play Bandit Algorithm：算法详细描述 Bandit算法是一类用来实现Exploitation-Exploration机制的策略。根据是否考虑上下文特征，Bandit算法...
向量介绍
适用场景：100%召回率 劣势：大数据量下效率较低、资源（CPU、内存）消耗较严重 聚类算法 量化聚类（Quantized Clustering）介绍：量化聚类（Quantized Clustering）是阿里巴巴开发的基于kmeans聚类的向量检索算法。先利用向量文档聚类n个...
PGVector
IVFFLAT是一种基于倒排索引的近似最近邻搜索算法，可以用于高效地查询向量之间的相似度。它将向量空间分为若干个划分区域，每个区域都包含一些向量，并创建倒排索引，用于快速地查找与给定向量相似的向量。IVFFLAT是IVFADC算法的简化版本，...
PGVector
IVFFLAT是一种基于倒排索引的近似最近邻搜索算法，可以用于高效地查询向量之间的相似度。它将向量空间分为若干个划分区域，每个区域都包含一些向量，并创建倒排索引，用于快速地查找与给定向量相似的向量。IVFFLAT是IVFADC算法的简化版本，...
PGVector
IVFFLAT是一种基于倒排索引的近似最近邻搜索算法，可以用于高效地查询向量之间的相似度。它将向量空间分为若干个划分区域，每个区域都包含一些向量，并创建倒排索引，用于快速地查找与给定向量相似的向量。IVFFLAT是IVFADC算法的简化版本，...
组件参考：所有组件汇总
K均值聚类 该组件会首先随机选择K个对象作为每个簇的初始聚类中心，然后计算剩余对象与各簇中心的距离，将其分配至距离最近的簇，再重新计算每个簇的聚类中心。DBSCAN 您可以使用DBSCAN组件构建聚类模型。高斯混合模型训练 您可以使用高斯...
API概览
智能管理 智能管理 人脸聚类 人脸聚类 CreateFigureClusteringTask 创建人物人脸聚类任务 创建一个人物人脸聚类任务，通过智能算法，可以在您已索引到数据集的图片中，将属于不同人物的人脸进行聚类分组。CreateFigureClustersMergingTask ...
聚类模型评估
基于原始数据和聚类结果，评估聚类模型的优劣性，从而输出评估指标。使用限制 仅原PAI-Studio平台支持查看该组件的可视化报告。背景信息 评估指标Calinski-Harabasz又称VRC（Variance Ratio Criterion），其计算公式如下。参数 描述 SS B ...
功能特性
图片聚类介绍 图片聚类 API 生成式处理 故事生成 故事功能可以将数据集中的照片使用AI算法按照时间或人物来生成一组照片故事集，并选取一张较好的照片作为封面。使用故事功能，您可以轻松实现故事相册功能，感受生活中的美好时刻。故事生成...
CreateFigureClusteringTask-创建人物人脸聚类任务
创建一个人物人脸聚类任务，通过智能算法，可以在您已索引到数据集的图片中，将属于不同人物的人脸进行聚类分组。接口说明 请确保在使用该接口前，已充分了解智能媒体管理产品的收费方式和 价格。调用该接口前，请确保您已通过绑定方式...
AutoML使用案例汇总
案例名称 描述 MaxCompute K均值聚类最佳实践 介绍如何通过提交一个使用MaxCompute计算资源的超参数调优实验，来运行K均值聚类和聚类模型评估组件，以获取K均值聚类组件算法的较优超参数组合。MaxCompute PS-SMART二分类最佳实践 介绍如何...
机器学习
聚类问题：提供K-Means算法实现聚类分析；关联分析：提供Apriori算法实现关联分析，解决如“啤酒与尿布”的关联问题；时序分析：提供ARIMA自回归移动平均模型预测时间序列数据的未来值；其他：数据降维如通过PCA主成分分析模型来提炼主因子...
新建实验
参数 描述 搜索算法 是一种自动化机器学习算法，它根据超参数搜索空间以及先前Trial的结果和性能指标，寻找更优的超参数组合，以供下一个Trial运行使用。支持选择的算法类型如下：TPE Random GridSearch Evolution GP PBT 算法详情说明，请...
CreateLocationDateClusteringTask-创建时空聚类任务
时空聚类功能，可以将您已索引到数据集内的图片、视频等携带了拍摄时间、拍摄地点信息等文件，按照时间、地理位置进行分类。这些分类可以理解为用户的一次旅行所拍摄的内容（它们时间接近、地点接近），也可以理解为用户在不同生活、工作地...
概述
Row-oriented AI NL2BI：用自然语言实时查看BI报表 典型解决方案 ID-Mapping在游戏领域的解决方案 通义千问大模型数据推理和交互 核心算法 LightGBM算法 DeepFM算法 K均值聚类算法（K-Means）随机森林回归算法（Random Forest Regression）...
机器学习（MADlib）
聚类问题：提供K-Means算法实现聚类分析。关联分析：提供Apriori算法实现关联分析，解决如“啤酒与尿布”的关联问题。时序分析：提供ARIMA自回归移动平均模型预测时间序列数据的未来值。其他：数据降维如通过PCA主成分分析模型来提炼主因子...
图片管理常见问题
不支持跨数据集进行搜索查询和人脸聚类，建议以此为依据进行划分。例如云相册场景，建议每个终端用户创建一个媒体集。人脸聚类为什么无法生成人脸分组？为了确保人脸分组的准确性，生成分组需要满足如下条件：使用 IndexFileMeta-索引文件...
产品简介
在舆情监控、话题审核、口碑分析聚类等商业领域有广大的应用空间。中心词提取 基于海量数据，使用电商标题中心词以及类目进行训练，通过给每个词计算一个相关性分数来衡量每个词与句子的相关性程度，进而识别并提取出句子的中心词。适用于...
概述
针对时序数据分析场景，日志服务提供了丰富的时序分析算法，可以帮助您快速解决时序预测、时序异常检测、序列分解、多时序聚类等场景问题，兼容SQL标准接口，大大降低了您使用算法的门槛，提高分析问题和解决问题的效率。功能特点 支持单...
GMM聚类
本文为您介绍GMM聚类组件。功能说明 GMM（Gaussian Mixture Model）是一个将事物分解为若干的基于 高斯概率密度函数（正态分布曲线）形成的模型，混合高斯分布（MoG）由多个混合成分组成，每一个混合成分对应一个高斯分布。当聚类问题中...
什么是AutoML
机器学习聚类任务，例如确定某化妆品牌在某城市划分几个买卖点。推荐场景：排序召回模型调优，提升AUC等指标。深度学习：提升图像多分类/视频多分类等任务的精度。相关文档 AutoML工作原理（推荐）了解AutoML原理机制，实验、Trial、训练...
K均值聚类
K均值聚类首先随机选择K个对象作为每个簇的初始聚类中心，然后计算剩余对象与各簇中心的距离，将其分配至距离最近的簇，再重新计算每个簇的聚类中心。该算法假设聚类对象为空间向量，且以各聚类内部的均方误差和最小为目标，不断地进行计算...
相似标签自动归类
使用K均值聚类算法，在已经产生的词向量基础上，计算词向量的距离，并按照意义将标签词自动归类。在画布中单击 K均值聚类-1 组件，在右侧 字段设置 页签，选择 特征列 为 f0，附加列 为 word。说明 该组件在运行时，其上游输入数据表的行数...
- 产品推荐
- 这些文档可能帮助您