测试集管理
测试集是验证模型性能好坏的重要数据来源，主要服务于训练流程中的评估模块在新建测试集界面上传一批数 据图片，在模型产出还未提取的评估界面进行测试关联，能快速验证多个模型的好坏，帮助用户决策最优模型。测试集管理 测试集管理可新增...
基本概念
本文介绍自学习涉及的基本概念，...测试集 测试集是验证模型性能好坏的数据集，主要服务于定制模型的评估模块，在新建测试集界面上传一批图片，在模型产出还未提取的评估界面进行测试关联，能快速验证多个模型的好坏，帮助用户决策最优模型。
用户分析
查看新增用户和活跃用户在日、周、月的留存率数据，一般用于衡量用户对产品的黏性好坏。品牌分析 在 用户分 析页签，选择 品牌分析 页签。按用户手机品牌维度分析天级的用户相关信息。网络分析 在 用户分析 页签，选择 网络分 析 页签。按...
FAQ
在将已知数据参与训练的过程中，训练节点会产生多个模型，选择不同模型的评估结果不同，这就需要对模型进行筛选评估，帮助用户最优模型，而评估的主要数据来源就是测试集，测试集是用来验证模型好坏的唯一数据来源。测试集支持带标注和不带...
常见问题
在将已知数据参与训练的过程中，训练节点会产生多个模型，选择不同模型的评估结果不同，因此需要对模型进行筛选评估，帮助用户选择最优模型，而评估的主要数据来源就是测试集，测试集是用来验证模型好坏的唯一数据来源。测试集支持带标注和...
小程序监控
小程序性能的好坏主要体现在小程序加载和呈现的速度以及用户交互的响应程度。小程序监控提供对用户访问情况、小程序页面稳定性、外部服务调用情况的实时监控。实时统计分析 PV、UV 等用户访问数据及变化趋势；实时监控发现白屏、应用打开...
案例推理-预测
权重表示各案例指标推荐好坏的重要程度，权重越大的指标越重要）。说明 如果当前对某个案例指标设置了目标值或权重，则会更新训练模型时该案例指标设置的目标值或权重；若未设置，则使用训练模型时设置的目标值或权重。当是否重置案例指标...
如何选取统计信息自动采集策略
SQL查询执行计划的好坏对数据库性能有重要的影响，为了给优化器CBO提供准确的统计信息用于生成更优的执行计划，PolarDB-X 会在后台发起统计信息采集任务。统计信息采集说明 PolarDB-X 包括以下三种采集策略：名称 采集频率 采集SQL特征 ...
混合负载HTAP
执行计划的好坏很大程度上决定了查询效率，查询优化对于AP（Analytical Processing）类分析型查询至关重要。读写分离 当在线业务流量比较多时，对 PolarDB-X 主实例压力比较大。此种场景下，PolarDB-X 建议您购买只读实例，按照预先设置好...
表格信息抽取
F1值：综合评价指标（F1-Measure），为精确率和召回率的加权调和平均，常用于评价分类模型的好坏。表格指标 精确率：算法模型当前类型字段精确率（Precision），未经规则后处理修正，为被识别为正类别的样本中，真实为正类别的概率，即当类...
表格信息抽取
F1值：综合评价指标（F1-Measure），为精确率和召回率的加权调和平均，常用于评价分类模型的好坏。表格指标 精确率：算法模型当前类型字段精确率（Precision），未经规则后处理修正，为被识别为正类别的样本中，真实为正类别的概率，即当类...
拒绝推断
一般是在授信数据集上以样本的好坏情况作为标签，用同一个评分卡模型训练、预测后 prediction_score 列的输出结果。无 授信数据的真实标签列 是 授信数据的真实标签列的列名。无 样本权重列 否 样本权重列的列名。无 授信/拒绝预测结果列 ...
基础排序函数
normalize：归一化函数，根据不同的算分将数值归一化至[0,1]场景概述相关性计算过程中，一篇doc的好坏需要从不同的维度衡量。而各个维度的分数值域可能不同，比如网页点击数可能是成百上千万，网页的文本相关性分数在[0,1]之间，它们之间...
基础排序函数
normalize：归一化函数，根据不同的算分将数值归一化至[0,1]场景概述相关性计算过程中，一篇doc的好坏需要从不同的维度衡量。而各个维度的分数值域可能不同，比如网页点击数可能是成百上千万，网页的文本相关性分数在[0,1]之间，它们之间...
向量召回评估
hitrate作为结果好坏的评价，hitrate越高表示训练产出的向量去召回向量的结果越准确。本文为您介绍向量召回评估组件的原理和配置指导。原理 向量召回评估组件同时支持 u2i 召回和 i2i 召回的计算。u2i 召回时，拿user（用户）的向量去召回...
通用行业/电商行业算法版对比
电商行业算法版介绍 搜索效果的好坏在电商行业中直接决定着GMV的转化，这也是电商企业不断深耕突破的技术难题。行业算法版根据多年积累的行业经验打造了特有的电商行业垂直解决方案，借助达摩院先进的智能语言处理技术，贴合行业痛点与需求...
长文档信息抽取
F值：综合评价指标（F1-Measure），为精确率和召回率的加权调和平均，常用于评价分类模型的好坏。字段指标 精确率：算法模型精确率（Precision），未经规则后处理修正，测试集中该字段正确字段个数/该字段预测的总数。召回率：算法模型召回...
长文档信息抽取
F值：综合评价指标（F1-Measure），为精确率和召回率的加权调和平均，常用于评价分类模型的好坏。字段指标 精确率：算法模型精确率（Precision），未经规则后处理修正，测试集中该字段正确字段个数/该字段预测的总数。召回率：算法模型召回...
单据票证信息抽取
单字段-检测F1值：综合评价指标（F1-Measure），未经规则后处理修正，为字段检测框精确率和召回率的加权调和平均，常用于评价检测模型的好坏。单字段-准确率：算法模型字段识别准确率（Accuracy），未经规则后处理修正。即测试集中该字段中...
单据票证信息抽取
单字段-检测F1值：综合评价指标（F1-Measure），未经规则后处理修正，为字段检测框精确率和召回率的加权调和平均，常用于评价检测模型的好坏。单字段-准确率：算法模型字段识别准确率（Accuracy），未经规则后处理修正。即测试集中该字段中...
深度解析PolarDB数据库并行查询技术
总结 数据库是应用系统的核心，而优化器是数据库的核心，优化器的好坏几乎可以决定一个数据库产品的成败。开发一个全新的优化器，对任何团队都是一个巨大的挑战，技术的复杂度暂且不提，单单想做到产品的足够稳定就是一个非常难以克服的...
HTAP中的行列混存查询优化
由于在执行查询时使用的执行计划好坏对性能的影响非常关键，因此在所有的数据库系统中都存在查询优化器，典型的查询优化器结构如下图所示：通常，查询优化器会通过如下三个典型组件来协同工作：Plan space enumeration：根据一系列的等价...
DAS Auto Scaling弹性能力
如何选择合适的扩容时机和扩容方式：对于应急扩容时机，选择的好坏与紧急情况的判断准确与否密切相关。“紧急”告警发出过于频繁，会导致实例频繁的高规格扩容，产生不必要的费用支出；“紧急”告警发出稍晚，业务受到突发情况影响的时间就...
如何对JSON类型进行高效分析
方案 业务系统采用JSON类型主要由于半结构化数据的灵活性和高效分析的需求，因此，灵活性与高性能就成为衡量海量半结构化数据分析的解决方案好坏的关键指标。传统数据库解决方案 传统关系型数据库（MySQL、PostgreSQL与ClickHouse等）在...
组件参考：所有组件汇总
hitrate作为结果好坏的评价，hitrate越高表示训练产出的向量去召回向量的结果越准确。异常检测 局部异常因子异常检测 该组件是根据数据样本的局部异常因子值（Local Outlier Factor,LOF）判断样本是否异常。IForest异常检测 该组件使用sub-...
列存索引中GroupJoin算子的实现
本文介绍了 PolarDB IMCI中GroupJoin算子的一些限制条件和实现方式，以及其他数据的一些相关实现。阅读本文前请先了解基础的HASH JOIN与HASH GROUP BY算法。背景 SELECT key1,SUM(sales)as total_sales FROM fact_table LEFT JOIN ...
- 产品推荐
- 这些文档可能帮助您