点聚类系数
算法说明 在无向图中，点聚类系数表示计算每一个节点周围的稠密度，星状网络稠密度为0，全连通网络稠密度为1。配置组件 方法一：可视化方式 在Designer工作流页面添加 点聚类系数 组件，并在界面右侧配置相关参数：参数类型 参数 描述 字段...
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...
工况识别-训练
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 数据源类型 特征变量 用于建立训练模型的特征变量。是 整数或浮点数（说明：...
边聚类系数
边聚类系数表示在无向图中每一条边周围的稠密度，边聚类系数组件能够输出各边节点的相邻节点数量及边的稠密度。配置组件 方法一：可视化方式 在Designer工作流页面添加 边聚类系数 组件，并在界面右侧配置相关参数：参数类型 参数 描述 ...
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...
2021年
2021-12-03 全部地域 参考：渐进式计算 MaxCompute物化视图功能增强 MaxCompute物化视图支持创建分区和聚簇，在查询物化视图时如果发现有分区数据不存在物化视图中时，可以设置系统自动穿透去查询源表，并返回源表和物化视图的汇总数据。...
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。
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...
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...
参考：Proxima CE全量参数说明
hash kmeans_resource_name 主要作用 cluster 索引分片模式，cluster 首先通过启动MaxCompute的graph图计算任务对原始数据进行kmeans聚类，该参数用于标识 kmeans 中心点名称。kmeans_resource_name kmeans_sample_ratio 主要作用 cluster ...
使用日志聚类
开启日志聚类后，您可以在 日志聚类 页签中进行日志聚类和查看聚类结果。本文介绍支持在 日志聚类 页签对日志进行的常用操作。日志聚类界面 日志聚类功能支持在采集日志时，将相似度高的日志聚合，提取共同的日志模式（Pattern），快速掌握...
相关性分析
是 多变量与多变量 多变量与多变量 单变量与多变量 相关系数方法 选择相关系数计算的方法。皮尔逊相关系数：用于衡量两个数据集是否在一条线上面，即针对线性数据的相关系数计算，针对非线性数据便会有误差。肯德尔相关系数：用于反映分类...
无监督聚类函数
基于密度的聚类算法属于无监督方法，对数据的输入顺序敏感，不同顺序的输入数据可能导致不同的聚类结果。函数格式 SELECT DBSCAN(congfig,col_list_for_cluster,col_for_cluster,other_col)as(cluster_result,col_for_cluster,other_col)...
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...
Proxima Cluster参数
count UINT32 0 第一层聚类中心点数量 proxima.stratified.cluster.second_count UINT32 0 第二层聚类中心点数量 proxima.stratified.cluster.first_params IndexParams 第一层聚类方法参数 proxima.stratified.cluster.second_params ...
公告
计算成本优化功能在原计算资源优化功能（对 包年包月一级Quota 类型的计算资源生成更优的资源配置方案）的基础上增加支持查看使用 按量付费计算资源 调整为使用 包年包月计算资源 的资源配置推荐方案及效果推演，帮助您进一步优化计算成本...
Centauri对比
Kmeans耗时（秒）AutoTuning耗时（秒）Build耗时（秒）Seek耗时（秒）总时间（分钟）Centauri-1524 12653 5914 336分钟 CE hash-9647 6431 268分钟 说明 Kmeans是Proxima CE聚类分片特有的一个阶段，用于获取原始doc表的聚类中心点表。...
GMM聚类
本文为您介绍GMM聚类组件。...是 1[1,99999999]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。
聚类分片
Proxima CE支持使用聚类分片方式检索任务，本文为您介绍聚类分片检索功能的使用方法及示例。前提条件 已安装Proxima CE包并准备输入表，详情请参见 安装Proxima CE包。基本原理 Proxima CE在检索时有两种划分数据分片的方式：哈希分片与聚...
K均值聚类算法（K-Means）
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对象就代表一个聚类。即K-Means算法将输入表的...
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...
Z-Score归一化
在机器学习领域，Z-Score归一化经常用于数据处理，例如神经网络、聚类分析等应用。组件截图 二、参数说明 参数名称 参数说明 选择归一化字段 选择需要归一化的字段。可多选。三、有配置文件可读 在上游有配置文件可以选择的时候，可以使用...
抵扣系数说明
基于抵扣系数计算后的总次数，会在风险识别按量付费产生账单，也支持风险识别通用资源包抵扣、或在风险识别包年包月中扣除总使用次数。计算方式 总计费次数=抵扣系数*场景化风控服务调用次数。例如，客户开通了按量付费，在调用注册风险...
PGVector
其中插件算法的具体流程如下：高维空间中的点基于隐形的聚类属性，按照kmeans等聚类算法对向量进行聚类处理，使得每个类簇有一个中心点。检索向量时首先遍历计算所有类簇的中心点，找到与目标向量最近的n个类簇中心。遍历计算n个类簇中心...
PGVector
其中插件算法的具体流程如下：高维空间中的点基于隐形的聚类属性，按照kmeans等聚类算法对向量进行聚类处理，使得每个类簇有一个中心点。检索向量时首先遍历计算所有类簇的中心点，找到与目标向量最近的n个类簇中心。遍历计算n个类簇中心...
向量计算（Proxima CE）概述
多类目检索 聚类分片 支持聚类分片索引构建方式，该方式能够减小计算量和加速后续索引查询过程。聚类分片 内积和余弦距离 支持内积检索。内积和余弦距离 量化使用 支持量化器使用，一般配置量化器可提升性能，减少索引大小，召回视情况有所...
PGVector
其中插件算法的具体流程如下：高维空间中的点基于隐形的聚类属性，按照kmeans等聚类算法对向量进行聚类处理，使得每个类簇有一个中心点。检索向量时首先遍历计算所有类簇的中心点，找到与目标向量最近的n个类簇中心。遍历计算n个类簇中心...
高效向量检索（PASE）
算法流程说明：高维空间中的点基于隐形的聚类属性，按照kmeans等聚类算法对向量进行聚类处理，使得每个类簇有一个中心点。检索向量时首先遍历计算所有类簇的中心点，找到与目标向量最近的n个类簇中心。遍历计算n个类簇中心所在聚类中的所有...
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...
高维向量检索（PASE）
算法流程说明：高维空间中的点基于隐形的聚类属性，按照kmeans等聚类算法对向量进行聚类处理，使得每个类簇有一个中心点。检索向量时首先遍历计算所有类簇的中心点，找到与目标向量最近的n个类簇中心。遍历计算n个类簇中心所在聚类中的所有...
高维向量检索（PASE）
算法流程说明：高维空间中的点基于隐形的聚类属性，按照kmeans等聚类算法对向量进行聚类处理，使得每个类簇有一个中心点。检索向量时首先遍历计算所有类簇的中心点，找到与目标向量最近的n个类簇中心。遍历计算n个类簇中心所在聚类中的所有...
聚类分片全链路测试
测试结论 Proxima CE在不同的数据集上，针对不同的采样率、聚类中心点个数以及索引分片个数，观察聚类分片方式的召回情况与耗时情况，经测试验证Proxima CE聚类分片的正确性测试符合预期。以下是几条经验准则：聚类中心点个数与召回呈正...
哈希分片全链路测试
数据类型：FLOAT，距离计算方法：SquaredEuclidean 检索方式 ProximaCE recall 工具 graph 89.03%88.62%hc 98.91%98.14%ssg 96.00%95.76%gc 97.87%97.64%qc 97.70%97.77%linear 100%100%数据类型：INT8，距离计算方法：SquaredEuclidean ...
横向聚类评估
一、组件说明 横向聚类模型的评估任务，可以输出轮廓系数、Calinski Harabaz等指标。支持使用单方或多方联合数据，评估横向聚类模型。组件截图 二、参数说明 参数名称 参数说明 预测结果列 预测回归值predict_result，整型输出。
视图计算
是面向视图设备（如摄像头、车载终端、消费电子等）上云场景提供连接、视图AI计算、视图云存储的云PAAS服务，让终端设备在最近的边缘节点便捷上云计算，大大降低网络延时提升视图类数据处理效率，通过开放OpenAPI易于被行业场景应用集成。
网络费用
本示例跨地域备份账单先出账，网络包抵扣方式如下：网络包可抵扣的网络用量为：1 TB/0.625=1.6 TB（1638.4 GB）网络包先抵扣实例跨地域备份网络用量，抵扣后网络包剩余容量为：（1638.4 GB-1000GB）x 0.625=399 GB 网络包余量可抵扣的备份...
什么是视图计算
是面向视图设备（如摄像头、车载终端、消费电子等）上云场景提供连接、视图AI计算、视图云存储的云PAAS服务，让终端设备在最近的边缘节点便捷上云计算，大大降低网络延时提升视图类数据处理效率，通过开放OpenAPI易于被行业场景应用集成。...
设置消息路由
当消息路由路径是边缘应用至IoT Hub，并选择服务级别为 1 时，需在网关产品下，自定义如下Topic类（操作方法请见 使用自定义Topic通信），并重启网关。Topic类：/YourProductKey/YourDeviceName/user/restore，其中，将YourProductKey和...
概述
典型应用有 PageRank、单源最短距离算法、K-均值聚类算法 等。您可以使用MaxCompute Graph提供的接口Java SDK编写图计算程序。基本概念 图（Graph）：是用于表示对象之间关联关系的一种抽象数据结构。使用顶点（Vertex）和边（Edge）进行...
概述
外部应用可以通过边缘端OpenAPI访问Link IoT Edge并获取设备信息、设置设备属性、调用函数计算等。说明 该版本OpenAPI推荐在v2.1.2（含）~v2.9.0（不含）版本的Link IoT Edge中使用；v2.1.2以下版本Link IoT Edge中推荐使用v1.0版本OpenAPI...
- 产品推荐
- 这些文档可能帮助您