工况识别-训练
否 k均值聚类 k均值聚类 均值漂移聚类 高斯混合聚类 是否降维：是 参数名 参数描述 是否必填 参数默认值 参数范围 降维方法 选择具体的降维算法。否 主成分分析 主成分分析 慢特征分析 局部投影保留 保留维度 降维后的特征维度数量。默认为...
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...
Proxima Cluster参数
proxima.kmeans.cluster.seeker_class STRING LinearSeeker 查找中心点算法类 proxima.kmeans.cluster.seeker_params IndexParams 查找中心点算法类参数 IndexParams 对象 1.2 GpuKmeansCluster 参数名 类型 默认值 备注 proxima.general....
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...
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...
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)...
时序聚类函数
时序聚类函数针对输入的多条时序数据进行聚类，自动聚类出不同的曲线形态，进而快速找到相应的聚类中心和异于聚类中的其它形态曲线。关于函数的算法及实现原理请参见 LOG机器学习介绍（02）：时序聚类建模。函数列表 函数 说明 ts_density_...
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...
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...
通过消费组读取文本日志进行模板匹配
哈希聚类算法 不依赖日志模板库，基于 日志聚类 功能进行在线聚类匹配分析。参数 说明 相似度阈值 如果日志内容与某一个日志类别模板的相似度大于相似度阈值，则日志属于该日志类别。相似度阈值越低，日志越容易被归为同一个日志类别。融合...
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...
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...
Proxima Builder
proxima.qc.builder.cluster_auto_tuning bool false 指定是否开启中心点数目自适应 proxima.qc.builder.cluster_params_in_level_IndexParams-指定聚类方法需要的参数，详见 聚类文档。每层需要分别制定，从1开始。比如第一层的key是...
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...
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...
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...
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...
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...
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...
Centauri对比
测试方法 聚类/AutoTunning耗时（秒）Build耗时（秒）Seek耗时（秒）Centauri 1220 9822 37245 CE 哈希 无 9841 23462 CE 哈希+INT8量化 无 7600 21624 CE 聚类 1247 14404 5028 测试过程 build详情。测试方法 Mapper Build Reducer 总耗时...
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...
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...
MaxCompute K均值聚类最佳实践
本文为您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。步骤一：准备数据 您可以参考 聚类模型评估 中的示例来准备测试数据和评估数据。本...
2021年7月22日 V5.0.0产品更新预告
【入口】标注中心 核心功能：支持算法自动化聚类标注 支持多结果标注 支持待定后处理 支持聚类次数显示 支持标注审核功能 支持批量标注 4、【问答能力增强】文档阅读重构上线 功能说明：文档问答作为对话机器人问答模块的重要组成部分，...
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...
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...
SQL请求行为识别
例如面对上百页的SQL模板，如果通过排序很难一个个去筛选问题SQL，此时可以使用 SQL请求行为识别，通过DAS后端算法找出相似的行为图像，帮助您将大量的SQL模板聚类，由此提高问题定位的效率。方案二：SQL请求行为识别 功能根据指标的异常...
聚类标注方法介绍
标注动作包括：正确 错误-修改知识 错误-已处理 未覆盖-新增知识 未覆盖-已处理 无效 待定 标注步骤 第1步：选择高频用户问法 在【聚类问法组】中选择高频聚类问法，查看用户问法与知识的匹配类型及匹配明细。第2步：判断用户问法与知识的...
图片管理常见问题
推荐如下两个方案：简单方法：对每一个数据集，每隔固定间隔（例如5分钟）调用一次CreateFigureClusteringTask接口进行聚类。更佳方案：每次调用 IndexFileMeta-索引文件元信息 接口时，将对应的数据集推入一个延迟队列，定时从该队列中...
常见问题
本文介绍SREWork应用的常见问题。错误信息：Query exceeded local memory limit of 3GB（查询A）错误原因 当前查询和分析语句所使用服务端的内存超过3 GB...解决方法 建议精简聚类分析指标数量和缩短聚类分析的时间周期（一般建议在1h以内）。
2023年7月19日产品更新公告
相较于 服务能力，聚类标注 不仅支持无答案和推荐未点击的用户语句查看，还可直接进行标注操作，优化知识内容，修复badcase，有关聚类标注功能具体介绍可参考《聚类标注》。具体产品界面如下图所示：其它功能更新点 数据看板中有关数据筛选...
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...
人脸聚类相关问题
推荐如下两个方案：简单方法，即对每一个媒体集，每隔固定间隔（例如5分钟）调用一次CreateGroupFacesJob接口进行聚类。更佳方案，每次IndexImage时，将对应的媒体集推入一个延迟队列。定时从该队列中获取SetId，即可得到有新图片的媒体集...
ST_ClusterKMeans
返回每个Geometry对象基于二维K均值算法生成的聚类结果数量。语法 integer ST_ClusterKMeans(geometry winset geom,integer numberOfClusters);参数 参数名称 描述 geom 目标Geometry对象。numberOfClusters 聚类数。描述 用于聚类的距离是...
ST_ClusterKMeans
返回每个Geometry对象基于二维K均值算法生成的聚类结果数量。语法 integer ST_ClusterKMeans(geometry winset geom,integer numberOfClusters);参数 参数名称 描述 geom 目标Geometry对象。numberOfClusters 聚类数。描述 用于聚类的距离是...
ST_ClusterDBSCAN
返回聚类结果ID的窗口函数，此函数基于二维的DBSCAN算法（Density-based spatial clustering of applications with noise）计算聚类。语法 语法一：integer ST_ClusterDBSCAN(geometry winset geom,float8 eps,integer minpoints);语法二：...
ST_ClusterDBSCAN
返回聚类结果ID的窗口函数，此函数基于二维的DBSCAN算法（Density-based spatial clustering of applications with noise）计算聚类。语法 语法一：integer ST_ClusterDBSCAN(geometry winset geom,float8 eps,integer minpoints);语法二：...
- 产品推荐
- 这些文档可能帮助您