什么是图数据库自动机器学习？
功能概述 GDB Automl支持被广泛使用的经典统计和机器学习算法，包括梯度提升模型，广义线性模型、深度学习模型等，为使用者提供了从数据处理，模型训练，模型管理到预测推理的全生命周期管理服务，可以自动运行集成算法并调整其超参数，以...
产品功能
当前版本支持的机器学习模型包括：聚合器（Aggregator）、Cox风险比例回归模型（CoxPH）、深度学习（DeepLearning）、分布式随机森林（DRF）、梯度提升模型（GBM）、广义线性模型（GLM）、广义低阶模型（GLRM）、孤立森林（IF）、K均值聚类...
线性模型特征重要性
线性模型特征重要性组件用于计算线性模型的特征重要性，包括线性回归和二分类逻辑回归，支持稀疏和稠密数据格式。本文为您介绍该组件的配置方法。使用限制 支持的计算引擎为MaxCompute。组件配置 您可以使用以下任意一种方式，配置线性模型...
维度建模概述
未分层：如果已创建的模型表未划分层级归属（即 公共层 或 应用层），则该表会被放置于 未分层 中。选择对应层级后，您只能在相应层级下创建目标表。并且可以在目录树切换该层级支持的管理视角，查看并管理层级下的模型表。维度表 结合业务...
逻辑回归
尽管名字是逻辑回归，但它是一种用于分类而不是回归的线性模型。Logistic 回归在文献中也称为 logit 回归、最大熵分类(MaxEnt)或对数线性分类器。在该模型中，描述单个试验可能结果的概率使用逻辑函数建模。计算逻辑原理 逻辑回归的思路是...
评分卡预测
线性模型中特征值和模型权重值直接相乘相加的结果，对应到评分卡模型中，如果模型进行了分数转换，则该分数输出转换后的得分。prediction_prob DOUBLE 二分类场景中预测得到的正例概率值，原始得分（未经分数转换）经过Sigmoid变换后得到该...
Lasso回归训练
输出桩 输出桩（从左到右）数据类型 下游组件 模型 回归模型 Lasso回归预测 模型信息 无 无 特征重要性 无 无 线性模型权重系数 无 无 通过代码方式配置组件 您可以将以下代码复制到 PyAlink脚本 组件中，使PyAlink脚本组件实现与该组件...
岭回归训练
输出桩 输出桩（从左到右）数据类型 下游组件 模型 回归模型 岭回归预测 模型信息 无 无 特征重要性 无 无 线性模型权重系数 无 无 通过代码方式配置组件 您可以将以下代码复制到 PyAlink脚本 组件中，使PyAlink脚本组件实现与该组件相同的...
XGBOOST回归
使用时，数据格式如下，其中key的下标应从1开始，value应均为数值：参数设置 参数名称 参数英文名称 参数说明 树的棵树 tree_num 迭代次数，即决策树或线性模型的数量。树的最大深度 max_depth 决策树的最大深度。学习率 learning_rate ...
XGBOOST多分类
使用时，数据格式如下，其中key的下标应从1开始，value应均为数值：参数设置 参数名称 参数英文名称 参数说明 树的棵树 tree_num 迭代次数，即决策树或线性模型的数量。树的最大深度 max_depth 决策树的最大深度。学习率 learning_rate ...
FM算法
FM（Factorization Machine）算法兼顾特征之间的相互作用，是一种非线性模型，适用于电商、广告及直播的推荐场景。组件配置 Designer 提供的FM算法模板包括FM训练和FM预测组件，您可以在原PAI-Studio控制台首页的 FM算法实现推荐模型 区域...
XGBOOST二分类
参数名称 参数英文名称 参数说明 树的棵树 tree_num 迭代次数，即决策树或线性模型的数量。树的最大深度 max_depth 决策树的最大深度。学习率 learning_rate 学习率，控制每轮迭代权重的缩小程度，适当调整可以加速模型收敛但也可能使模型...
产品优势
服务验证前置降低风险 模型在产生出来并没有经过实际的验证，用测试集来验证模型能大大降低模型未验证直接部署业务端带来的风险弊端，并基于测试结果快速修改迭代模型，形成模型验证>迭代修改的良性循环，保证检出质量。
返回状态码说明
免费额度已经耗尽，并且模型未开通计费访问。500 InternalError An internal error has occured,please try again later or contact service support.内部错误 500 InternalError.Algo An internal error has occured during execution,...
组件参考：所有组件汇总
推荐方法 FM算法 FM（Factorization Machine）算法兼顾特征之间的相互作用，是一种非线性模型，适用于电商、广告及直播的推荐场景。ALS矩阵分解 交替最小二乘ALS（Alternating Least Squares）算法的原理是对稀疏矩阵进行模型分解，评估...
网络安全保护
网络分层模型可以参考下图：下面列举出一些常见的糟糕设计：将所有资源都创建在一个VPC或者vSwitch中，不同业务之间没有隔离会导致安全暴露的影响范围扩大 允许直接访问敏感数据，比如公网访问数据库、大数据的查询服务直接暴露在公网上...
开启和管理健康检查
如果在响应超时时间（3秒）之内，全球加速实例收到终端节点返回的RST数据包，则认为终端节点未响应健康检查端口，判定健康检查失败。如果已超出响应超时时间（3秒），全球加速实例还未收到终端节点返回的SYN+ACK数据包，则认为网络无法到达...
App Level 版本介绍
支持请求响应模型，支持发布订阅模型 支持全球多接入点连接 Bone Mobile容器 提供了BoneMobile插件的运行环境，开发和运行BoneMobile插件时，需要集成 无 移动应用推送 提供了可用于App生命周期外的推送服务，满足App运营和消息告警等需求 ...
机器学习
MADlib机器学习模块主要解决以下问题：分类/回归问题：提供一系列算法如K最近邻、MLP多层感知神经网络、SVM支持向量机、决策树等算法来解决二元分类/回归问题，集成最小二乘法、GLM广义线性回归、逻辑回归、多项式回归等模型来解决回归问题...
机器学习（MADlib）
MADlib机器学习模块主要解决以下问题：分类、回归问题：提供一系列算法，如K最近邻、MLP多层感知神经网络、SVM支持向量机、决策树等算法来解决二元分类、回归问题，集成最小二乘法、GLM广义线性回归、逻辑回归、多项式回归等模型来解决回归...
AICS实现对SISO非积分对象的稳定控制
若该参数设置过小，则拟合不够，导致辨识得到的模型FSR序列可能仍未达到响应稳定值；如设置过大，则过拟合，导致辨识得到的模型FSR序列可能出现异常值。因此在辨识操作中，通常需要根据辨识试验中的阶跃激励响应时间，预估出大致的开环响应...
产品架构
对于并发访问的触发条件，主要包括两个类型：限时触发，对于每一个请求，都可以单独设置一个GlitchTimeout，当请求运行时间超过该值未得到响应后，则并发一个请求到其他N-1个副本，最终取最快的那个响应。黑名单规避，服务端内部会基于超时...
EAS模型服务概述
模型在线服务EAS（Elastic Algorithm Service）是PAI产品为实现一站式模型开发部署应用，针对在线推理场景提供的模型在线服务，支持将模型服务部署在公共资源组或专属资源...，实现基于异构硬件（CPU和GPU）的模型加载和数据请求的实时响应...
查看并管理数仓分层
在 基本信息 区域，即可查看目标数仓分层的 英文缩写、英文名、中文名、负责人、分层归属、模型类型、创建人、创建时间，以及最近一次修改该数仓分层的 修改人 及 修改时间 等信息。您也可以根据业务需求，单击右上角的 编辑，修改目标分层...
内存型
线程模型对比 线程架构 说明 图 1.Redis单线程模型 Redis社区版和原生Redis采用单线程模型，数据处理流程为：读取请求，解析请求，处理数据，发送响应。其中网络IO和请求解析占用了大部分的资源。图 2.Tair多线程模型 Tair 内存型将服务各...
创建数仓分层
数仓分层是结合对业务场景、实际数据、使用系统的综合分析，对数据模型进行的整体架构设计及层级划分。用于将不同用途的数据，归类划分至不同的分层，便于您更好地组织、管理、维护数据。本文为您介绍如何创建并管理数仓分层。背景信息 ...
配置及使用数仓分层检查器
数仓分层检查器用于规范目标分层中模型及指标的命名，制定模型及指标的命名规范，在模型和指标创建时，系统会根据该规范自动生成表名，模型发布成表后，使用方也能通过表名快速了解表的业务信息。本文为您介绍如何配置及使用数仓分层检查器...
管理数据模型
说明 API 的请求数据模型和响应数据模型同时被使用，则 绑定的 API数量 按照 1 条计算。查看数据模型详情 在数据模型列表中，您还可以单击任一数据模型名称，进入该模型的详情页，查看详细信息，主要包括以下信息：基本信息：展示了数据...
线性回归
一、组件说明 线性回归模型通过找到一条最佳拟合直线（或超平面），将输入特征映射到一个连续数值输出。在模型训练过程中，采用最小二乘法（least squares）估计模型参数，即最小化输出结果与预测值之间的误差平方和。线性回归模型具有简单...
机器学习开发示例
例如下面的代码采用第一个模型（modelA），并根据特征（features）向您显示标签（原始销售价格）和预测（预测销售价格）%pyspark#运行线性回归模型，并展示数据 predictionsA=modelA.transform(ml_data)predictionsA.show(10)数据打印 步骤...
线性回归
功能说明 线性回归（Linear Regression）是分析因变量和多个自变量之间的线性关系模型。计算逻辑原理 回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中...
评分卡训练
评分卡是信用风险评估领域常用的建模工具，其原理是通过分箱输入将原始变量离散化后再使用线性模型（逻辑回归或线性回归等）进行模型训练，其中包含特征选择及分数转换等功能。同时也支持在训练过程中为变量添加约束条件。说明 如果未指定...
分段多项式回归
功能说明 分段多项式回归是分段进行分析因变量和多个自变量之间的线性关系模型。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多项式拟合得到的。分段多项式具有可拟合成任意形状的曲线和点的...
Pipeline部署在线服务
例如：需要部署线性回归模型用于在线预测，则线性回归训练组件和线性回归预测组件都需要运行成功。在线服务限制单输入单输出，因此需要从离线的Directed Acyclic Graph（DAG）图中选择单一串行链路进行部署。前提条件 已创建模型工作流...
ModelErrorCode
不能进行下一步操作 Algorithm.Model.TrainingHasNotSuccess 412 model training has not success 模型训练未成功，不能进行下一步操作 Algorithm.Model.PredictingHasNotSuccess 412 model predicting has not success 模型预测未成功，不...
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...
ModelErrorCode
不能进行下一步操作 Algorithm.Model.TrainingHasNotSuccess 412 model training has not success 模型训练未成功，不能进行下一步操作 Algorithm.Model.PredictingHasNotSuccess 412 model predicting has not success 模型预测未成功，不...
逻辑回归二分类
一、组件说明 逻辑回归通过将线性回归模型的输出通过Sigmoid函数进行映射，将连续的预测值转换为概率值。Sigmoid函数具有“S”形状，可以将任意实数值映射为0和1之间的概率值，表示样本属于正例的概率。逻辑回归的训练过程是利用最大似然...
横向逻辑回归二分类
一、组件说明 横向逻辑回归通过将线性回归模型的输出通过Sigmoid函数进行映射，将连续的预测值转换为概率值。Sigmoid函数具有“S”形状，可以将任意实数值映射为0和1之间的概率值，表示样本属于正例的概率。横向逻辑回归的训练过程是利用...
逆向建模：物理表反向建模
当您的物理引擎中已有大量物理表，且希望通过DataWorks智能数据建模产品统一管理所有模型，则可使用逆向建模功能，将已有物理表反向建模至DataWorks的维度建模中。该功能帮助您无需再次执行建模操作即可快速创建模型，节省了大量的时间成本...
- 产品推荐
- 这些文档可能帮助您