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...
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...
工况识别-训练
否 5[2,15]聚类方法：k均值聚类、高斯混合聚类 参数名 参数描述 是否必填 参数默认值 参数范围 最大迭代次数 单次运行的聚类算法的最大迭代次数。否 300[10,1000]聚类方法：均值漂移聚类 参数名 参数描述 是否必填 参数默认值 参数范围 ...
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...
K均值聚类算法（K-Means）
该算法原理为：先将数据分为K组，随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，将每一个对象分配给距离它最近的聚类中心，聚类中心以及分配给它们的对象就代表一个聚类。即K-Means算法将输入表的...
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)...
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...
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...
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...
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...
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...
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...
机器学习
聚类问题：提供K-Means算法实现聚类分析；关联分析：提供Apriori算法实现关联分析，解决如“啤酒与尿布”的关联问题；时序分析：提供ARIMA自回归移动平均模型预测时间序列数据的未来值；其他：数据降维如通过PCA主成分分析模型来提炼主因子...
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...
机器学习（MADlib）
聚类问题：提供K-Means算法实现聚类分析。关联分析：提供Apriori算法实现关联分析，解决如“啤酒与尿布”的关联问题。时序分析：提供ARIMA自回归移动平均模型预测时间序列数据的未来值。其他：数据降维如通过PCA主成分分析模型来提炼主因子...
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_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...
通过消费组读取文本日志进行模板发现
通识字段模板 在文本分析作业对日志进行预处理时，日志相似聚类算法会使用模板表达式匹配日志中的文本内容并将其替换为模板名称，有助于提高分析的准确性。例如 模板名称 为IP，模板表达式 为(?[^A-Za-z0-9])|^)(\d{1,3}\.\d{1,3}\.\d{1,3}...
App端性能体验功能说明
术语表 基础字段 名词 名词解释 错误数 该类错误在一定时间范围内产生的次数，也就是SDK上报的日志数量 错误率 错误率=错误次数/应用启动次数，对于自定义异常类的错误，错误率可能大于100%，对于崩溃类的错误由于数据挤压和延时上报的原因...
标签传播聚类
算法说明 图聚类是根据图的拓扑结构，进行子图的划分，使得子图内部节点的连接较多，子图之间的连接较少。在用一个唯一的标签初始化每个节点之后，该算法会重复地将一个节点的标签社群化为该节点的相邻节点中出现频率最高的标签。当每个...
使用日志聚类
开启日志聚类后，您可以在 日志聚类 页签中进行日志聚类和查看聚类结果。本文介绍支持在 日志聚类 页签对日志进行的常用操作。日志聚类界面 日志聚类功能支持在采集日志时，将相似度高的日志聚合，提取共同的日志模式（Pattern），快速掌握...
功能特性
丰富的机器学习算法 PAI的算法都经过阿里巴巴集团大规模业务的沉淀，不仅支持基础的聚类和回归类算法，同时也支持文本分析和特征处理等复杂算法。支持对接阿里云其他产品 PAI训练的模型直接存储在MaxCompute中，可以配合阿里云的其他产品...
日志聚类
本文介绍日志聚类功能及其操作，包括开启日志聚类、查看聚类结果和原始日志、对比不同时间段的聚类日志数量等。前提条件 已创建Standard Logstore。具体操作，请参见 创建Logstore。已采集日志。具体操作，请参见 数据采集。已配置索引。...
概述
Row-oriented AI NL2BI：用自然语言实时查看BI报表 典型解决方案 ID-Mapping在游戏领域的解决方案 通义千问大模型数据推理和交互 核心算法 LightGBM算法 DeepFM算法 K均值聚类算法（K-Means）随机森林回归算法（Random Forest Regression）...
时序异常检测的常见问题
当前Lindorm ML主要提供两类算法：统计类算法和分解类算法，更多请参见 时序异常检测算法分类。如果您的数据带有较强的周期性，比如每天或每周在相对固定的时刻出现峰值或者谷值，那么推荐您优先尝试分解类算法（ostl-esd和istl-esd），...
前端监控常见问题
聚类：将相似URL归纳为一组。“变量”识别：提取同组URL中不断变化的“变量”，并以星号（*）代替。收敛过程如下图所示。解决方案 关闭URL收敛的具体操作，请参考 urlHelper。[回到顶部]为什么页面访问量列表和页面访问速度列表不一致？这...
使用Grafana进行异常检测算法调优
当前Lindorm ML主要提供两类算法：统计类算法和分解类算法，更多请参见 时序异常检测算法分类。如果您的数据带有较强的周期性，比如每天或每周在相对固定的时刻出现峰值或者谷值，那么推荐您优先尝试分解类算法（ostl-esd和istl-esd），...
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）。
使用Grafana进行异常检测算法调优
当前Lindorm ML主要提供两类算法：统计类算法和分解类算法，更多请参见 时序异常检测算法分类。如果您的数据带有较强的周期性，比如每天或每周在相对固定的时刻出现峰值或者谷值，那么推荐您优先尝试分解类算法（ostl-esd和istl-esd），...
使用Grafana进行异常检测算法调优
当前Lindorm ML主要提供两类算法：统计类算法和分解类算法，更多请参见 时序异常检测算法分类。如果您的数据带有较强的周期性，比如每天或每周在相对固定的时刻出现峰值或者谷值，那么推荐您优先尝试分解类算法（ostl-esd和istl-esd），...
人脸聚类
使用人脸聚类功能，你可以将媒体集中存在相似人脸的多张图片进行分组，可用于网盘的人脸相册、家庭监控的陌生人检测、甚至新零售的顾客管理等场景。人脸聚类后，您可以根据人脸分组查询对应人员的所有图片信息。重要 此文档已不再维护，...
- 产品推荐
- 这些文档可能帮助您