评分卡训练
评分卡是信用风险评估领域常用的建模工具，其原理是通过分箱输入将原始变量离散化后再使用线性模型（逻辑回归或线性回归等）进行模型训练，其中包含特征选择及分数转换等功能。同时也支持在训练过程中为变量添加约束条件。说明 如果未指定...
LightGBM算法
gblinear：使用线性模型进行计算。rf：使用随机森林模型进行计算。dart：使用dropout技术删除部分树，防止过拟合。goss：使用单边梯度抽象算法进行计算。速度快，但是可能欠拟合。说明 设置该参数值时，需要使用单引号将参数值包裹起来。...
线性模型特征重要性
线性模型特征重要性组件用于计算线性模型的特征重要性，包括线性回归和二分类逻辑回归，支持稀疏和稠密数据格式。本文为您介绍该组件的配置方法。使用限制 支持的计算引擎为MaxCompute。组件配置 您可以使用以下任意一种方式，配置线性模型...
使用可视化大屏查看分析报告
数据可视化分析：相关系数矩阵 直方图 散点图 箱线图 数据视图 特征工程：线性模型特征重要性 随机森林特征重要性 模型评估：混淆矩阵 聚类模型评估 多分类评估 二分类评估 模型可视化：GBDT二分类 GBDT回归 随机森林 XGBoost训练 统计分析...
逻辑回归
尽管名字是逻辑回归，但它是一种用于分类而不是回归的线性模型。Logistic 回归在文献中也称为 logit 回归、最大熵分类(MaxEnt)或对数线性分类器。在该模型中，描述单个试验可能结果的概率使用逻辑函数建模。计算逻辑原理 逻辑回归的思路是...
岭回归训练
输出桩 输出桩（从左到右）数据类型 下游组件 模型 回归模型 岭回归预测 模型信息 无 无 特征重要性 无 无 线性模型权重系数 无 无 通过代码方式配置组件 您可以将以下代码复制到 PyAlink脚本 组件中，使PyAlink脚本组件实现与该组件相同的...
产品功能
当前版本支持的机器学习模型包括：聚合器（Aggregator）、Cox风险比例回归模型（CoxPH）、深度学习（DeepLearning）、分布式随机森林（DRF）、梯度提升模型（GBM）、广义线性模型（GLM）、广义低阶模型（GLRM）、孤立森林（IF）、K均值聚类...
FM算法
FM（Factorization Machine）算法兼顾特征之间的相互作用，是一种非线性模型，适用于电商、广告及直播的推荐场景。组件配置 Designer 提供的FM算法模板包括FM训练和FM预测组件，您可以在原PAI-Studio控制台首页的 FM算法实现推荐模型 区域...
地标建筑
模型信息 打开某个地标建筑详情列表后，您可以看到该建筑的模型信息详情，包括 模型风格、模型等级、模型大小 和 球面坐标系。您可以单击模型信息框最右侧的 图标预览模型，在弹出的 预览模型 对话框中，您可以进行以下操作。查看模型基本...
地标建筑
模型信息 打开某个地标建筑详情列表后，您可以看到该建筑的模型信息详情，包括 模型风格、模型等级、模型大小 和 球面坐标系。您可以单击模型信息框最右侧的 图标预览模型，在弹出的 预览模型 对话框中，您可以进行以下操作。查看模型基本...
XGBOOST回归
使用时，数据格式如下，其中key的下标应从1开始，value应均为数值：参数设置 参数名称 参数英文名称 参数说明 树的棵树 tree_num 迭代次数，即决策树或线性模型的数量。树的最大深度 max_depth 决策树的最大深度。学习率 learning_rate ...
XGBOOST多分类
使用时，数据格式如下，其中key的下标应从1开始，value应均为数值：参数设置 参数名称 参数英文名称 参数说明 树的棵树 tree_num 迭代次数，即决策树或线性模型的数量。树的最大深度 max_depth 决策树的最大深度。学习率 learning_rate ...
XGBOOST二分类
参数名称 参数英文名称 参数说明 树的棵树 tree_num 迭代次数，即决策树或线性模型的数量。树的最大深度 max_depth 决策树的最大深度。学习率 learning_rate 学习率，控制每轮迭代权重的缩小程度，适当调整可以加速模型收敛但也可能使模型...
动态特征提取
线性趋势：对采样数据序列进行线性拟合，取线性模型的系数，作为输出。变化趋势：对采样数据序列做Mann-Kendall测试（曼肯德尔检验），若“无趋势”，则输出0；反之，则取slope参数，作为输出。曼肯德尔检验：Mann-Kendall 趋势检验（有时...
LLaMa2 大语言模型
1到10之间的整数，默认为1 batch_size Integer 单次传递给模型用以训练的数据（样本）个数，一般单次训练数据个数越大，占用显存会越多，同时单步训练速度会越慢，但是训练效果会越好 7b模型支持[1,2,4,8,16,32]13b模型支持[1,2,4,8,16]...
百川开源大语言模型
正整数 batch_size Integer 单次传递给模型用以训练的数据（样本）个数，一般单次训练数据个数越大，占用显存会越多，同时单步训练速度会越慢，但是训练效果会越好 7b模型支持[1,2,4,8,16,32]13b模型支持[1,2,4,8,16]learning_rate Float ...
LLaMa2 大语言模型
1到10之间的整数，默认为1 batch_size Integer 单次传递给模型用以训练的数据（样本）个数，一般单次训练数据个数越大，占用显存会越多，同时单步训练速度会越慢，但是训练效果会越好 7b模型支持[1,2,4,8,16,32]13b模型支持[1,2,4,8,16]...
百川开源大语言模型
正整数 batch_size Integer 单次传递给模型用以训练的数据（样本）个数，一般单次训练数据个数越大，占用显存会越多，同时单步训练速度会越慢，但是训练效果会越好 7b模型支持[1,2,4,8,16,32]13b模型支持[1,2,4,8,16]learning_rate Float ...
ChatGLM开源双语对话语言模型
正整数 batch_size Integer 单次传递给模型用以训练的数据（样本）个数，一般单次训练数据个数越大，占用显存会越多，同时单步训练速度会越慢，但是训练效果会越好[1,2,4,8,16,32]learning_rate Float 学习率，决定了每次参数更新时参数...
ChatGLM开源双语对话语言模型
正整数 batch_size Integer 单次传递给模型用以训练的数据（样本）个数，一般单次训练数据个数越大，占用显存会越多，同时单步训练速度会越慢，但是训练效果会越好[1,2,4,8,16,32]learning_rate Float 学习率，决定了每次参数更新时参数...
常见问题
每次迭代好新的数据，最好把所有的最新数据放一起，从基础模型开始训练，不建议从之前SFT的模型开始训练（百炼支持的这种模型，更多是考虑训练成本，基于每次训练好的模型使用增量数据训练，比全量数据训练更快，但效果没那么好）。...
常见问题
若模型使用量大于模型总量（例如：试用时使用了3个模型且未删除，正式付费购买时，仅购买了1个），您可以：直接删除不准备使用的模型（注意：模型删除后将无法恢复）点击增加个数，通过 变配 的方式，提升模型总量额度 5.2自学习平台训练...
情感分析
服务开通与资源包购买 预训练模型使用前，请确认是否已经开通了NLP自学习平台服务，开通后可购买资源包。NLP自学习平台：开通地址 自学习平台资源包：购买地址 一、创建项目 在NLP自学习平台中【点击进入自学习管控台】，支持多个基本项目...
图像关键点训练
无 参数设置 关键点检测模型使用的backbone 是 选择使用的骨干模型，支持以下两种主流模型：hrnet lite_hrnet hrnet 关键点类别数目 是 数据中类别标签的数目。无 图片resize大小 是 图片大小调整成固定的高和宽，用半角逗号（,）分隔。192...
图像分类训练（torch）
无 参数设置 图像分类模型使用的backbone 是 选择使用的骨干模型，支持以下几种主流模型：resnet resnext hrnet vit swint mobilenetv2 resnet 图像类别数目 是 数据中类别标签的数目。无 图片resize大小 是 图片大小调整成固定的高和宽...
通义千问
1到10之间的整数，默认为1 batch_size integer 单次传递给模型用以训练的数据（样本）个数，一般单次训练数据个数越大，占用显存会越多，同时单步训练速度会越慢，但是训练效果会越好 2或者4，默认为2 learning_rate float 学习率，决定了...
通义千问
1到10之间的整数，默认为1 batch_size integer 单次传递给模型用以训练的数据（样本）个数，一般单次训练数据个数越大，占用显存会越多，同时单步训练速度会越慢，但是训练效果会越好 2或者4，默认为2 learning_rate float 学习率，决定了...
语义意图增删改查
意图模型使用总括 将意图模型检查算子运用于规则配置前需要提前完成意图模型的有关配置：意图新建 及其 包含语句添加、训练模型、测试模型。具体如下图所示：说明 图中各部分具体配置细节请参考《语义模型训练工具》有关文档。新建意图 ...
ModelScope魔搭社区
在ModelScope魔搭社区，您可以：免费使用平台提供的预训练模型，支持免费下载运行 一行命令实现模型预测，简单快速验证模型效果 用自己的数据对模型进行调优，定制自己的个性化模型 学习系统性的知识，结合实训，有效提升模型研发能力 分享...
精模建筑
编辑模型 您可以移动鼠标到某个模型处，并单击 图标，即可打开编辑模型对话框，您可以对已上传的模型重新自定义设置 模型名称、模型风格、模型等级 和 制作商 等内容。模型基本信息配置，请参见 上传精模建筑模型 中的步骤4的内容。删除...
精模建筑
编辑模型 您可以移动鼠标到某个模型处，并单击 图标，即可打开编辑模型对话框，您可以对已上传的模型重新自定义设置 模型名称、模型风格、模型等级 和 制作商 等内容。模型基本信息配置，请参见 上传精模建筑模型 中的步骤4的内容。删除...
模型配置
列表上方提示已用模型任务数/购买的可用模型任务数，为组织下所有空间的总和。新建和更新模型均消耗可用模型任务数，执行失败的不计数。操作步骤：选择工作空间>用户洞察>复购预测>模型配置。单击右上角 新建模型，配置页面如下图所示。...
Prompt最佳实践
4.编程问题解决：在没有代码执行环境的情况下，让模型用自然语言描述编程问题的解决步骤。5.教育辅导与学习支持：模拟教学过程，逐步讲解解题方法，帮助学生理解问题背后的逻辑。6.专业领域决策支持：在法律、医学、工程等领域，模型通过...
模型配置
列表上方提示已用模型任务数/购买的可用模型任务数，为组织下所有空间的总和。新建和更新模型均消耗可用模型任务数，执行失败的不计数。操作步骤：选择工作空间>用户洞察>货品推荐>模型配置。单击右上角 新建模型，配置页面如下图所示。...
部署及微调Mixtral-8x7B MoE模型
Mixtral-8x7B是Mistral AI最新发布的大语言模型，在许多基准测试上表现优于GPT-3.5，是当前最为先进的开源大语言模型之一。PAI已对Mixtral-8x7B模型进行全面支持，开发者和企业用户可以基于PAI-快速开始（PAI-QuickStart）轻松完成对...
命令行工具详情
介绍如何使用DashScope python命令行工具进行模型定制 前言 为了方便您使用模型定制功能，我们提供了python命令行工具，本文档介绍模型定制python命令行的详细使用方式 使用命令行进行模型定制及部署 前提条件 已开通服务并获得API-KEY：...
命令行工具详情
介绍如何使用DashScope python命令行工具进行模型定制 前言 为了方便您使用模型定制功能，我们提供了python命令行工具，本文档介绍模型定制python命令行的详细使用方式 使用命令行进行模型定制及部署 前提条件 已开通服务并获得api-key：...
模型评测
基于规则的评测是用ROUGE和BLEU系列指标计算模型预测结果和真实结果之间的差距；基于公开数据集的评测是通过在多种公开数据集上加载并执行模型预测，根据每个数据集特定的评价框架，为您提供行业标准的评估参考。当前模型评测支持...
API详情
通义千问模型具有强大的自然语言处理能力，您可以使用DashScope SDK或HTTP接口调用通义千问模型，将通义千问模型集成到您的业务中。模型概览 您可以通过SDK或HTTP调用的通义千问系列模型如下表所示：模型名称 模型简介 模型输入/输出限制 ...
使用模型服务网格进行多模型推理服务
模型服务网格基于KServe ModelMesh实现，针对大容量、高密度和频繁变化的模型用例进行了优化，可以智能地将模型加载到内存中或从内存中卸载，以在响应性和计算之间取得平衡，简化多模型推理服务的部署和运维，提高推理效率和性能。...
- 产品推荐
- 这些文档可能帮助您