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...
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...
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...
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...
K近邻
K近邻算法进行分类的原理是针对预测表的每行数据，从训练表中选择与其距离最近的K条记录，将这K条记录中类别数量最多的类，作为该行的类别。组件配置 您可以使用以下任意一种方式，配置K近邻组件参数。方式一：可视化方式 在 Designer 工作...
组件参考：所有组件汇总
K近邻 该组件进行分类的原理是针对预测表的每行数据，从训练表中选择与其距离最近的K条记录，将这K条记录中类别数量最多的类，作为该行的类别。逻辑回归多分类 该组件是一个二分类算法，PAI提供的逻辑回归可以支持多分类，且支持稀疏及稠密...
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...
如何理解并使用对话工厂
对话基本元素 组装对话流的原理，就是人类和机器对话的本质，一问一答间，尽显大道至简之风。系统将三种对话现象高度抽象提炼，成为组成对话流的三个基本元素：触发节点、函数节点、回复节点。填槽原理 至于填槽节点，实际上是这三种节点的...
如何理解并使用对话工厂
对话基本元素 组装对话流的原理，就是人类和机器对话的本质，一问一答间，尽显大道至简之风。系统将三种对话现象高度抽象提炼，成为组成对话流的三个基本元素：触发节点、函数节点、回复节点。填槽原理 至于填槽节点，实际上是这三种节点的...
梯度提升回归树
计算逻辑原理 GBRT是一种迭代的回归树算法，由多棵回归树组成，合并许多弱学习器，每棵树只能对部分数据做出好的预测，所有树的结论累加起来得到最终结果。因为添加的树越来越多，可以不断迭代提高性能，所以GBRT是一种泛化能力较强的算法...
梯度提升决策树
计算逻辑原理 GBDT是一种迭代的决策树算法，由多棵决策树组成，每棵树只能对部分数据做出好的预测，所有树的结论累加起来得到最终结果，因此，添加的树越来越多，可以不断迭代提高性能。是一种泛化能力较强的算法。参数说明 IN端口-输入...
软测量校正
计算逻辑原理 当化验值校正确认信号从“校验中”变为“校验完毕”时：根据输入的年月日等时间点得到时间T，从IGate中读取T-K（即预测模型时间偏差）前后deltaT（即时间偏差上限）时间范围内的“预测值”历史数据，找到最接近T-K时刻的预测...
拒绝推断
算法原理 拒绝推断方法需要根据输入的包含真实标签和预测结果的训练数据（又称为授信数据），给缺少真实标签但包含预测结果的数据加上合适的标签，没有真实标签的数据又称为拒绝数据。该算法提供以下四种拒绝推断方法。模糊法 模糊法...
分段多项式预测
本文为您介绍分段多项式预测组件。功能说明 分段多项式预测组件：用于对分段多项式回归组件训练出来的模型进行预测。仅支持分段多项式回归模型。计算逻辑原理 分段多项式：通过把输入变量的取值空间分割成连续的区间，然后在每个区间中进行...
K近邻
计算逻辑原理 最近邻方法的原理是找到距离新点最近的预定义数量的训练样本，并从中预测标签。样本数量可以是用户定义的常数（k-最近邻学习），也可以根据点的局部密度（基于半径的邻居学习）而变化。通常，距离可以是任何度量标准：标准...
快速入门概述
为快速了解如何使用BizWorks进行云原生应用建设，您可以通过示例项目和参考帮助文档进行实验，了解业务建模、应用开发和部署、能力上架、轻应用组装等主要过程。关于示例项目的内容，请参见 示例项目简介 和 示例项目的使用限制说明 等。...
轻应用概述
轻应用支持敏捷的应用低代码开发模式，能够基于已被中心应用构建完成的底层能力进行上层业务能力组装，并进一步开发上层前端应用，实现对新业务诉求的迅速响应，并组装出上层页面或系统。轻应用的主要使用过程 创建轻应用。具体操作，请...
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...
岭回归预测
您可以使用岭回归预测组件做数值型变量的预测，包括房价预测、销售量预测、湿度预测等。本文为您介绍岭回归预测组件的配置方法。使用限制 支持的计算引擎为MaxCompute、Flink或DLC。算法原理 岭回归是一种专用于共线性数据分析的有偏估计...
Lasso回归预测
Lasso回归预测组件支持稀疏、稠密两种数据格式。您可以使用该组件做一些数值型变量的预测，比如贷款额度预测、温度预测等。本文为您介绍Lasso回归预测组件的配置方法。使用限制 支持的计算引擎为MaxCompute、Flink或DLC。算法原理 Lasso...
什么是云原生应用组装平台BizWorks
云原生应用组装平台BizWorks是基于组装式理念和阿里巴巴中台实践构建的一体化云原生应用开发和组装平台，提供了业务建模、微服务开发、轻应用组装、能力开放等平台功能，致力于帮助企业快速设计、构建、组装和运营可复用的业务能力组件和...
GBDT二分类预测V2
GBDT二分类预测V2组件提供了针对GBDT二分类V2组件的预测功能，使用梯度提升决策树(Gradient Boosting Decision Trees)算法，对数据进行二分类问题的预测。本文介绍GBDT二分类预测V2组件的配置方法。支持计算资源 支持的计算引擎为...
开发和管理自定义组件
步骤六：发布自定义组件（新增自定义组件）登录BizWorks，在 选择平台 下拉列表中选中 轻应用组装平台。单击页面右上角 图标或其文本框区域，在下拉列表中单击目标项目名称后，单击 应用 页签。在应用列表页面单击目标轻应用名称。在目标轻...
产品版本
不支持 不支持 支持 轻应用组装平台 页面编排 支持 支持 支持 组件编排 支持 支持 支持 资源管理 支持 支持 支持 服务编排 支持 支持 支持 数据源支持 部分支持 部分支持 支持 用户认证 支持 支持 支持 自定义扩展能力 部分支持 部分支持 ...
使用场景和主要概念
定位和使用场景 场景1：在BizWorks组装式架构中，为开发者提供一种BFF层（Backend For Frontend）的低代码实现方式，从而快速进行接口的服务编排和组装。场景2：客户现有业务应用如需接入到BizWorks体系中进行统一运营，但尚未完成微服务...
创建和管理项目域名
添加项目域名 登录BizWorks，在 选择平台 下拉列表中选中目标平台：微服务开发平台 或 轻应用组装平台。单击页面右上角的 图标或其文本框区域，在下拉列表中单击目标项目名称后，在平台顶部导航栏单击 运维 页签。在 运维 导航栏中，单击 ...
预测与异常检测函数
关于函数的算法及原理请参见：LOG机器学习介绍（01）：时序统计建模 LOG机器学习介绍（03）：时序异常检测建模 LOG机器学习介绍（05）：时间序列预测 LOG机器学习最佳实战：时序异常检测和报警 函数列表 函数 说明 ts_predicate_simple ...
工作原理
日志服务提供时序预测功能，用于对时序数据进行自动化、智能化的预测。您可以根据预测结果判断时序数据未来的走势，提前感知系统或者业务关键指标的状态。本文介绍时序预测的背景信息、功能、调度与执行场景、使用建议等信息。背景信息 ...
示例：使用轻应用模板
重要 轻应用组装平台仅支持安装模板类型为轻应用的应用模板，其他类型不支持安装。模板文件成功上传后，系统会保留最近一次的模板信息。模板文件上传成功后，您可以看到类似以下界面。重要 一个项目中同时最多只能有一个模板处于安装过程中...
集成流开发说明
本文介绍如何创建和管理集成流，以及集成流与集成接口的说明和开发集成流的基本原理。创建和管理 集成流 方式一：在集成流页面创建集成流 在目标集成应用导航栏中，选择 服务集成>集成流。在 集成流 页面，单击 新建流。在 新建集成流 面板...
导入导出限界上下文模型
模型导入实现原理 在导入模型前，您需要按照系统规范将数据整理成格式化的.xlsx 文件。如果导入失败，系统会提供失败数据下载，并说明失败原因，以便您修改后能重新导入。完整的模型导入流程如下图所示：导入限界上下文模型 登录BizWorks，...
开发前端界面
也支持多种流程节点，在对已有的服务能力做进一步编排和组装。在 服务方法 页面，单击 新建服务方法。在 新建服务方法 面板，完成相关配置。更多信息，请参见 可视化编排服务方法。单击 创建。服务方法保存成功后系统会自动打开服务方法...
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...
创建时序预测作业
预测ID 时序预测作业会随时间推移进行持续预测，每次预测都有一个唯一的ID标识，即预测ID，格式为 Pred-{timestamp}，其中 {timestamp} 表示时序预测作业进行预测时的时间戳，精确到秒级。实体ID 通过选择实体ID，查看目标实体对应的时间...
模型说明
适用于标注语料有限的场景，训练和预测时间较长。StructBERT 分类模型【推荐】阿里巴巴达摩院自研的alicemind模型体系，主要原理为使用 StructBERT模型 从大量无标注语料进行预训练，精度较高，推理速度较慢。StructBERT小样本分类：基于...
预测
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 组件截图 二、参数说明 字段设置 参数名称 参数说明 ...
Quick BI散点图如何预测数据
概述 本文主要介绍Quick BI中哪些图表可以预测数据，以及如何设置数据预测功能。问题描述 仪表板中的散点图是否可以预测数据，如何设置？问题原因 散点图不支持预测数据，其他的图表有的可以支持预测数据。解决方案 1.散点图不支持数据预测...
- 产品推荐
- 这些文档可能帮助您