决策树
本文为您介绍决策树组件。功能说明 决策树是一种用于分类和回归的非参数监督学习方法。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...
随机森林
随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习（Ensemble Learning）方法。计算逻辑原理 随机森林就是种了很多决策树，对输入向量进行分类（回归）。每一棵...
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））：...
XGBOOST回归
一、组件说明 XGBoost是一种基于梯度提升决策树（Gradient Boosting Decision Tree）的机器学习算法。它通过改进传统梯度提升决策树的方式，加入正则化项、特征子采样和并行化等优化技术。XGBoost的优点是能够自动处理缺失值、异常值和噪声...
诊断节点
诊断节点是诊断决策树的子节点，通过节点之间的关联，实现一棵完整的决策树。新建节点 登录高可用管理控制台。在左侧导航栏上，单击 故障诊断>诊断节点。单击 新建，在 新建节点 页面，配置新节点的信息，包括节点名称、描述，选择节点类型...
梯度提升决策树
本文为您介绍梯度提升决策树组件。功能说明 GBDT（Gradient Boosting Decision Tree）是一种迭代的决策树算法，由多棵决策树组成，是进行多分类的算法模型。梯度提升采用连续的方式构造树，每棵树都试图纠正前一棵树的错误。默认情况下，...
模型可视化
决策树 系统展示Top10个重要树信息，单击决策树对应编号，可以查看决策树信息详情。树上的每个非叶子节点，代表的是当前决策需要用到的特征。每个树顶端的节点是这个树决策的第一个特征，根据该特征的取值不同分支向左（不高于阈值）或向右...
诊断决策树
您可以通过诊断决策树，编排故障排查的过程。对于已知的明确故障，可以根据诊断现象，编排诊断决策树，进而故障发生时执行，完成故障定位。对于未知的故障，您可以依据运维经验，编排出常见的排查路径，辅助快速故障定位。新建诊断决策树 ...
诊断报告
执行诊断决策树时，系统会生成对应的诊断报告，记录诊断的执行信息。你可以在 诊断报告 页面查看所有诊断决策树的执行记录，包括诊断决策树名称、触发方式、诊断状态、创建时间、状态概要、结果概要以及诊断结果。在左侧导航栏上，单击 ...
LightGBM算法
简介 LightGBM（Light Gradient Boosting Machine）是一个基于决策树算法的分布式梯度提升框架。设计初衷是提供一个快速、高效、低内存、高准确度、支持并行和大规模数据处理的工具。LightGBM可以减少数据对内存的使用、减少通信代价以及...
风险场景
关联诊断决策树 选填 手动选择诊断决策树。如需新增诊断决策树，请参见 新建诊断决策树。添加触发项 选填 可选 巡检规则 或 监控规则。如果选择 巡检规则，则需要选择对应的关联规则。如需新增巡检规则，请参见 新建规则。如果选择 监控...
XGBOOST多分类
一、组件说明 XGBoost是一种基于梯度提升决策树（Gradient Boosting Decision Tree）的机器学习算法。它通过改进传统梯度提升决策树的方式，加入正则化项、特征子采样和并行化等优化技术。XGBoost的优点是能够自动处理缺失值、异常值和噪声...
总览
站点数据统计：展示了治理风险数、历史风险数、巡检规则、诊断决策树数量、应急预案、演练场景、应用总数、应用覆盖率、产品总数以及产品覆盖率。单击统计数据可直接跳转至相应的业务详情列表。风险统计：今日巡检任务：展示了今日巡检任务...
XGBOOST二分类
一、组件说明 XGBoost是一种基于梯度提升决策树（Gradient Boosting Decision Tree）的机器学习算法。它通过改进传统梯度提升决策树的方式，加入正则化项、特征子采样和并行化等优化技术。XGBoost的优点是能够自动处理缺失值、异常值和噪声...
随机森林
随机森林是一个包括多决策树的分类器，其分类结果由单棵树输出类别的众数决定。组件配置 您可以使用以下任意一种方式，配置随机森林组件参数。方式一：可视化方式 在 Designer 工作流页面配置组件参数。页签 参数 描述 字段设置 选择特征列...
组件参考：所有组件汇总
随机森林 该组件是一个包括多决策树的分类器，其分类结果由单棵树输出类别的众数决定。朴素贝叶斯 该组件是一种基于独立假设的贝叶斯定理的概率分类算法。K均值聚类 该组件会首先随机选择K个对象作为每个簇的初始聚类中心，然后计算剩余...
GetTrainingJob-获取训练任务详情
{} HasModelInfo boolean 是否存有特征重要性、模式、决策树等特征信息。false ErrorCode integer 错误码。0 ErrorMessage string 错误信息。OK RequestId string 请求 ID。f8651828-609d-4de8-ab49-ab781d7fd85a 示例 正常返回示例 JSON ...
CreateTrainingJob-创建训练任务
{"start_date":"20210101","end_date":"20210131"} HasModelInfo boolean 是否存有特征重要性、模式、决策树等特征信息。false ErrorCode integer 错误码。0 ErrorMessage string 错误信息。OK RequestId string 请求 ID。f8651828-609d-4...
ListTrainingJobs-获取训练任务列表
{\"end_date\":\"20220408\",\"op_target\":\"sms\",\"start_date\":\"20220101\"} HasModelInfo boolean 是否存有特征重要性、模式、决策树等特征信息。true ErrorCode integer 错误码。0 ErrorMessage string 错误信息。RequestId ...
梯度提升决策树算法（GBDT）
本文介绍了梯度提升决策树算法（Gradient Boosting Decision Tree，下文简称GBDT）相关内容。简介 GBDT是一款基于梯度提升的决策树算法。可解释性强，预测速度快。同时，GBDT算法相比于其它算法需要更少的特征工程，可以不用做特征标准化，...
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 ...
创建安全联邦学习任务（任务模式）
参数 描述 算法分类 支持的算法分类为FL决策树、FL线性回归、FL逻辑回归、FL深度学习。FL决策树支持的算法为 XGBoostWithDp:Decision_Tree，用于二分类、多分类、回归。FL线性回归支持的算法为 LinearRegressionWithHe:Linear_Regression_...
组件操作
组件树shift范围选择 快捷键组件树shift范围选择，长按shift点击组件 组件树全部选择 快捷键Ctrl/Cmd+A全选组件树 菜单栏解释如下表：操作名称 说明 复制 复制 粘贴 粘贴 删除 删除 锁定 锁定后不可编辑，不可在画布中选中，可通过组件树上...
调用函数
使用位置记号 在本数据库中，位置记号法是给函数传递参数的传统机制。一个例子：SELECT concat_lower_or_upper('Hello','World',true);concat_lower_or_upper-HELLO WORLD(1 row)所有参数被按照顺序指定。结果是大写形式，因为`uppercase`...
决策引擎简介
下图是决策引擎的使用步骤：如何购买？决策引擎的售卖为包月包年预付费售卖，如需购买请联系销售。您也可以通过 产品购买页 自助下单。注意 如果您之前未授权过日志服务权限，则需要在购买后刷新页面，点击“去授权”按钮，为风险识别系统...
使用Hologres实现分页
分页决策树 分页SQL命令语法如下。SELECT.FROM.ORDER BY key LIMIT N OFFSET S SQL实现原理：对于扫描出来的记录，按照 key 排序，取 TOP N+S 条记录（通过部分排序 PARTIAL SORT 实现），然后丢弃前S条记录，返回剩下的N条记录。在分页...
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...
权限说明
团队管理员只能由超级管理员和网盘管理员设置，设置方法是依次进入“管理控制台”、“团队管理”，然后在左侧的团队树上选择一个团队，从右侧的用户列表中选择一个用户，点击“切换角色”来设置，如下图：4.普通用户 普通用户默认只有个人...
混合检索使用指南
Fusion Ann Scan：此节点在某些结构化条件列上有索引时可能出现，其作用是根据结构化条件生成Bitmap（左子树），将Bitmap下压到向量索引（右子树）中，加速结构化条件的计算。出现Fusion Ann Scan节点时，其右子树可能是Ann Index Scan也...
创建字段
字段 指某个业务场景下可用于风控策略的数据，是决策引擎的入参。例如，在账户注册、登录场景中，通常会用手机号、ip、设备信息等；交易、支付场景中，会用到订单信息、支付信息、收货信息等。字段需要在 创建事件 时与事件关联，以便在 ...
视图和规则系统
而且它们与其他命令类型上的规则有着不同的语义，它们会就地修改查询树而不是创建一个新的查询树。因此我们首先描述 SELECT 规则。目前，一个 ON SELECT 规则中只能有一个动作，而且它必须是一个无条件的 INSTEAD 的 SELECT 动作。这个限制...
权限管理
基本概念 示意图 用户树是指用户和团队之间的关系构建出来的树状结构，有上下层级的关系（一个用户可以作为多个团队的成员，一个团队只能作为一个团队的成员）。文件树是指文件和文件夹之间的关系构建出来的树状结构，有上下层级的关系...
概述
层次结构通常由一个倒置的树形结构表示。该树由相互连接的节点组成。每个节点可连接到一个或多个子节点，也可不连接到子节点。每个节点都连接到一个父节点，但没有父级的顶级节点之外。此节点为根节点。每个树都只有一个根节点。没有任何子...
线性规划-专题多篇
生产调度：Flow Shop 调度优化下界估计问题 Flow Shop 是调度领域中的经典模型：给定一组机器和一批工件，要求解的决策是工件之间的先后顺序，优化的目标为完成所有加工的时间（降低成本）。本地版Python代码>4.广告流量分配：曝光和转化...
环境准备
所以，其平台的决策是在编译时决定的。通过编译选项的设置，将C/C++项目编译为x64的64位DLL，因此提供了包含VS2015和.NET Framework 4.5.2编译的release64位版本DLL。其他VS版本也可以使用。重要.NET SDK仅支持Windows 64-bit操作系统。C++...
Contextual Bandit 算法
UCB（Upper Confidence Bound-置信上限）就是以收益（bonus）均值的置信区间上限代表对该arm未来收益的预估值：UCB在此时的决策是选择置信区间上界最大的arm。这个策略的好处是，能让没有机会尝试的arm得到更多尝试的机会，是骡子是马拉...
云原生AI套件管理员运维指南
步骤三：管理用户和配额 云原生AI套件通过用户（User）、用户组（UserGroup）、配额树（QuotaTree）/配额节点（QuotaNode）、K8s Namespace等实体，管理用户和配额。这些概念的关联关系，如下图所示。配额树是配置多层级约束的资源，供...
使用业务流程图设计器
如果您拖动的节点是 决策节点 设置决策节点的 名称、编码、描述（可选填）。如果您拖动的节点是 文档节点：设置文档节点的 名称、编码 和 描述（可选填）。单击 关联文档，拖拽文档至上图的虚线框内，或者单击虚线区域上传文档。（可选）...
管理能力产品
如果您拖动的节点是 决策节点 设置决策节点的 名称、编码、描述（可选填）。如果您拖动的节点是 注释节点，设置注释节点的 名称、编码 和 描述（可选填）。如果您拖动的节点是 结束节点，该节点没有配置面板，无需配置。说明 一个流程图...
GBDT回归
梯度渐进回归树GBDT（Gradient Boosting Decision Tree）是一种迭代决策树算法，适用于线性及非线性回归场景。组件配置 您可以使用以下任意一种方式，配置GBDT回归组件参数。方式一：可视化方式 在 Designer 工作流页面配置组件参数。页签 ...
- 产品推荐
- 这些文档可能帮助您