阈值检测
告警数预测原理 ARMS会根据指标历史24h数据，计算指标会超出每个阈值的次数来预测在该设定下告警的数量。并且，ARMS提供了指标详细信息，您可以看到指标实际值超出阈值的具体时间。您可以根据这些信息调整阈值，以适配实际业务需求。相关...
阈值检测
告警数预测原理 ARMS会根据指标历史24h数据，计算指标会超出每个阈值的次数来预测在该设定下告警的数量。并且，ARMS提供了指标详细信息，您可以看到指标实际值超出阈值的具体时间。您可以根据这些信息调整阈值，以适配实际业务需求。相关...
区间检测
告警数预测原理 ARMS会根据指标历史24h数据，计算指标会超出每个阈值的次数来预测在该设定下告警的数量。并且，ARMS提供了指标详细信息，您可以看到指标实际值超出阈值的具体时间。您可以根据这些信息调整阈值，以适配实际业务需求。相关...
区间检测
告警数预测原理 ARMS会根据指标历史24h数据，计算指标会超出每个阈值的次数来预测在该设定下告警的数量。并且，ARMS提供了指标详细信息，您可以看到指标实际值超出阈值的具体时间。您可以根据这些信息调整阈值，以适配实际业务需求。相关...
阈值检测
告警数预测原理 ARMS会根据指标历史24h数据，计算指标会超出每个阈值的次数来预测在该设定下告警的数量。并且，ARMS提供了指标详细信息，您可以看到指标实际值超出阈值的具体时间。您可以根据这些信息调整阈值，以适配实际业务需求。相关...
区间检测
告警数预测原理 ARMS会根据指标历史24h数据，计算指标会超出每个阈值的次数来预测在该设定下告警的数量。并且，ARMS提供了指标详细信息，您可以看到指标实际值超出阈值的具体时间。您可以根据这些信息调整阈值，以适配实际业务需求。相关...
组件参考：所有组件汇总
序列标注预测（MaxCompute）（即将下线）该组件用来加载训练好的模型，对输入数据表进行预测，并产出预测结果。机器阅读理解预测 使用该组件对生成的机器阅读理解训练模型进行离线预测。BERT文本向量化（MaxCompute）（即将下线）该组件是...
专属解决方案
此外，绝大部分的企业业务并不需要那么高的弹性，其业务稳定，业务波峰波谷较平缓而且可预测，这时候企业更重视通过统一采购来拿到更好的商务折扣以及云的经济适用。统一预算 无预算不开支，有预算不超支，非必须不列支。没有预算，云的...
XGBoost
计算逻辑原理 XGBoost是一棵树集成模型，它使用的是K（树的总数为K）个树的每棵树对样本的预测值的和作为该样本在XGBoost系统中的预测，XGBoost算法思想就是不断地添加树，不断地进行特征分裂来生长一棵树，每次添加一棵树，其实是学习一个...
拒绝推断
拒绝推断（Reject Inference）是一种在金融场景经常和评分卡模型一起使用的数据增强方法，可以用来解决样本偏差问题。本文为您介绍拒绝推断组件的配置方法。算法简介 以信贷场景为例，用评分卡模型对用户的偿还、违约情况进行建模时只用到...
类目预测功能介绍
类目预测基本原理 类目预测的目标是预测搜索的query与类目的相关度，它需要用到历史query数据、点击行为数据、类目下的物品信息数据。具体来说是把之前搜过的query收集起来，结合搜索后的点击行为数据，与类目下的物品信息联系起来，刻画...
人群预测
列表上方提示已用预测任务数/购买的预测任务数，为组织下所有空间的总和。新建任务将消耗可用预测任务数，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>人群预测。单击右上角 新建任务，配置页面如下图所示。输入任务名称...
偏最小二乘回归
功能说明 偏最小二乘回归是通过投影分别将预测变量和观测变量投影到一个新空间，来寻找一个线性回归模型。偏最小二乘回归提供一种多对多线性回归建模的方法，特别当两组变量的个数很多，且都存在多重相关性，而观测数据的数量（样本量）又...
使用须知
Phoenix不支持复杂分析 Phoenix定位为操作型分析（operational analytics），对于复杂分析，比如前面提到的复杂join则不适合，这种建议用Spark这种专门的大数据计算引擎来实现，请参见 X-Pack Spark分析服务 和 HBase SQL（Phoenix）与...
LightGBM
参数说明 IN端口 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 配置模型特征变量，用数据的特征变量去对目标变量进行预测。是 整数或浮点数 说明 若存在非数值数据，则会置为NaN。CSV组件。IGateOffline组件。平台上其他...
GBDT二分类V2
梯度提升决策树(Gradient Boosting Decision Trees)二分类，是经典的基于梯度提升（Gradient Boosting）的有监督学习模型，可以用来解决二分类问题。支持计算资源 支持的计算引擎为MaxCompute。算法简介 梯度提升决策树(Gradient Boosting ...
实体识别
Query改写 OpenSearch的查询分析最多改写出来两个query，第一个Query相比第二个Query会更精准，第二个query减少了参与召回的term，旨在当更精确的召回结果数不足时，用第二个query进行扩大召回。Query改写主要根据实体的重要性，对query...
什么是弹性伸缩ESS
相关服务 服务名称 说明 云服务器ECS 是阿里云提供的IaaS（Infrastructure as a Service）级别云计算服务，可以帮助您实现计算资源的即开即用和弹性伸缩。弹性容器实例ECI 是阿里云提供的敏捷安全的Serverless容器运行服务，使用ECI作为...
Lasso回归训练
可视化配置组件参数 输入桩 输入桩（从左到右）数据类型 建议上游组件 是否必选 数据 无 读数据表 特征工程 数据预处理 是 模型 Lasso模型（用做增量训练）读数据表（模型数据表）Lasso回归训练 否 组件参数 页签 参数 描述 字段设置 标签...
Rowkey设计
考虑和上述salting一样的情景，现在可以用单向hash来得到行键foo0003，并可预测得‘a’这个前缀。然后为了重新获得这一行，需要先知道它的键。可以进一步优化这一方法，如使得将特定的键对总是在相同的地域。Reversing the Key（反转键）第...
历史功能发布记录（2022年）
全部 ACK发布Kubernetes 1.24版本说明 AHPA弹性预测支持基于GPU指标的预测 AHPA（Advanced Horizontal Pod Autoscaler）支持在应用具备周期性的情况下，通过弹性预测，进行资源预热，解决您在服务使用中遇到的弹性滞后问题。现已支持基于...
机器学习开发示例
在机器学习中我们用计算测试值和预测值之间出现的误差的均方根的平均值来查看模型的准确性。pyspark from pyspark.ml.evaluation import RegressionEvaluator#使RegressionEvaluator用来计算均方根误差。evaluator=RegressionEvaluator...
梯度提升回归树算法（GBRT）
GBRT主要有以下两部分组成：回归树（Regression Tree（RT））：回归树是决策树类别之一，用来预测实际值。GBRT算法是一种迭代的回归树算法，由多棵回归树组成，所有回归树的结论累加起来为最终结果。梯度提升（Gradient Boosting（GB））：...
WITH查询（公共表表达式）
这个例子可以不用 WITH 来书写，但是我们必须要用两层嵌套的子 SELECT。使用这种方法要更简单些。可选的 RECURSIVE 修饰符将 WITH 从单纯的句法便利变成了一种在标准 SQL 中不能完成的特性。通过使用 RECURSIVE，一个 WITH 查询可以引用它...
商品推荐任务
列表上方提示已用预测任务数/购买的预测任务数，为组织下所有空间的总和。新建任务将消耗可用预测任务数，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>商品推荐>我的任务。单击右上角 新建任务，配置页面如下图所示。输入...
LIMIT和OFFSET
因此，使用不同的 LIMIT/OFFSET 值选择查询结果的不同子集将生成不一致的结果，除非你用 ORDER BY 强制一个可预测的顺序。这并非 bug，这是一个很自然的结果，因为 SQL 没有许诺把查询的结果按照任何特定的顺序发出，除非用了 ORDER BY 来...
评分卡信用评分
其原理是先将分箱后的原始数据进行特征工程变换，再使用线性模型建模。评分卡建模理论通常适用于信用评估领域，例如信用卡风险评估和贷款发放业务。在其它领域，评分卡建模也可以作为分数评估，例如客服质量打分和芝麻信用打分。前提条件 ...
算法说明
算法简介 预测算法是基于Prophet预测模型中的原理进行研发的。Prophet将时序数据分解为趋势项、周期项和假日项，分别进行拟合与预测，最终整合为未来数据的预测结果。其中Prophet使用linear function或者logistic function拟合趋势项，使用...
Forall and Bulk Collect
比如用户提交一个数组，要求PL/SQL将这个数组的元素一条条插入到表里面，或者拿来更新表里面的值，又或是删除表里的值。解决方案 类似Oracle FORALL的批量插入用法，用一个数组表示条件，另一个数组表示VALUE如果有多个条件或者value时，...
决策树
目标是创建一个模型，通过学习从数据特征推断出的简单决策规则来预测目标变量的值。一棵树可以看作是分段常数近似。决策树组件支持使用决策树算法对分类或回归问题进行建模。计算逻辑原理 决策树是一种树形结构，其中每个内部节点表示一个...
产品特点
内网DNS解析相当于一个您独自管理的内网DNS，您可以用它来创建一些只能在域名生效范围（通过关联一个或多个VPC）内被访问到的域名或者子域名。原理 内网DNS解析利用阿里云VPC（Virtual Private Cloud）的隧道隔离特性（具体请查看 什么是...
Designer使用案例汇总
其他通用案例 案例名称 描述 保障离线在线一致性的CTR预估方案 介绍如何使用经典的CTR点击率预估数据集Avazu训练一体化模型，并将离线调试完成的 归一化预测->独热编码预测->向量聚合->FM预测 流程完整部署到EAS。心脏病预测 介绍如何通过...
通用联邦学习模板
交叉验证：在交叉验证中，数据集被划分为训练集和验证集两部分，模型基于训练集进行训练，然后用验证集来评估模型的性能。这种方法可以有效地评估模型的泛化能力，并减少因样本随机性带来的影响。混淆矩阵：评估分类模型性能的一种重要工具...
MSE Ingress概览
本文介绍MSE Ingress的基本概念、功能介绍、使用说明和工作原理。MSE Ingress视频介绍 MSE Ingress基本概念 在Kubernetes集群中，Ingress作为集群内服务对外暴露的访问接入点，几乎承载着集群内服务访问的所有流量。Ingress是Kubernetes中...
首页信息屏
SNTP协议 简单网络时间协议（Simple Network Time Protocol），由NTP改编而来，主要用来同步因特网中的计算机时钟。在 RFC2030 中定义。SNTP协议采用客户端/服务器的工作方式，可以采用单播（点对点）或者广播（一点对多点）模式操作。SNTP...
CoreDNS配置说明
前提条件 在进行内置DNS配置前，请确保您已完成以下操作：创建Kubernetes托管版集群 获取集群KubeConfig并通过kubectl工具连接集群 场景说明 本文示例场景：使用ACK集群提供的CoreDNS来做域名解析，即使用 dnsPolicy:ClusterFirst 策略。...
案例推理-预测
本文为您介绍案例推理-预测组件。功能说明 案例推理-预测组件：用于模型预测，进行最优案例解推荐，根据输入的案例推理-训练组件的特征数据，输出案例推荐结果。仅支持案例推理-训练组件训练出的模型。计算逻辑原理 案例推理：案例推荐算法...
CreateScalingRule-创建一条伸缩规则
当 AdjustmentType 是 PercentChangeInCapacity，弹性伸缩服务以伸缩组当前实例数（Total Capacity）xAdjusmentValue/100，并使用四舍五入原则来确认增加或减少的 ECS 实例个数。当伸缩规则指定了冷却时间（Cooldown），则执行该伸缩规则的...
CoreDNS配置说明
场景说明 本文示例场景：使用ACS集群提供的CoreDNS来做域名解析，即使用 dnsPolicy:ClusterFirst 策略。示例配置如下：apiVersion:v1 kind:Pod metadata:name:alpine namespace:default spec:containers:image:alpine command:sleep-"10000...
DescribeScalingRules-查询伸缩规则
接口说明 您可以通过指定伸缩组 ID 来查询该伸缩组下的所有伸缩规则，查询时可以输入伸缩规则 ID、伸缩规则名称、伸缩规则唯一标识符、伸缩规则类型等信息进行过滤。调试 您可以在OpenAPI Explorer中直接运行该接口，免去您计算签名的困扰...
- 产品推荐
- 这些文档可能帮助您