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
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 故障诊断>诊断报告 进入 诊断报告 页面，您可以根据诊断任务名称、诊断...
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...
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...
群体稳定性指标PSI
dt：决策树分箱。kmean：基于k均值聚类分箱。categorical_feature：类目型的特征。多个类目型之间使用英文逗号（,）分隔。示例/*polar4ai*/CREATE FEATURE psi_001 WITH(feature_class='psi',x_cols='Airline,Flight,AirportFrom,AirportTo...
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...
安全联邦学习-任务模式FL
三、安全联邦学习已支持的能力 用途 算法分类 已支持算法 分类 决策树 XGBoostWithDp GBDTWithDp 逻辑回归 LogisticRegressionWithHe 神经网络 神经网络MLP 回归 线性回归 LinearRegressionWithHe 神经网络 神经网络MLP 四、如何进行安全...
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...
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_...
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 ...
LightGBM
lightgbm是一个梯度Boosting框架，使用基于决策树的学习算法。它可以说是分布式的，高效的，有以下优势：更快的训练效率 低内存使用 更高的准确率 支持并行化学习 可以处理大规模数据 与常见的机器学习算法对比，速度是非常快的。计算逻辑...
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...
FAQ管理
相似问法：用户对问题的各种不同表述，通过添加相似问法可以提高FAQ的识别效果。相似问法最多可以添加200条。答案配置 答案类型：FAQ支持为纯文本和语音两种类型答案。纯文本：最常见的FAQ管理答案类型是以纯文本形式呈现的答案，纯文本...
调用函数
在一个具有大量带默认值参数的复杂函数中，命名的或混合的记号法可以节省大量的书写并且减少出错的机会。注意 命名的和混合的调用记号法当前不能在调用聚集函数时使用（但是当聚集函数被用作窗口函数时它们可以被使用）。
指标拆解树
指标拆解树通过分解核心指标，可以定位影响指标的关键渠道或关键成员。例如，指标拆解树可以方便的查看多个维度中的各个成员对整体的贡献，您也可以将度量值分解至一个或多个组，分析每个组的数据情况。本文为您介绍如何为指标拆解树添加...
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...
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 ...
滤镜及转场
短视频SDK提供了自定义特效能力，您可以基于通用特效配置文件，通过自定义OpenGL ES Shader（OpenGL ES 3.0语法），实现想要的滤镜与转场效果。有关OpenGL ES的知识点和解释并不属于本篇文档的范畴，我们默认您已经对OpenGL ES及其Shader ...
滤镜及转场
短视频SDK提供了自定义特效能力，您可以基于通用特效配置文件，通过自定义OpenGL ES Shader（OpenGL ES 3.0语法），实现想要的滤镜与转场效果。有关OpenGL ES的知识点和解释并不属于本篇文档的范畴，我们默认您已经对OpenGL ES及其Shader ...
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，...
Quick BI怎样使趋势分析表的树形展示默认展开或关闭
详细信息 趋势分析表由趋势分析图和趋势分析明细表组成，您可以通过趋势分析图查看指标的宏观趋势，然后通过趋势分析表查看指标详情，帮助您更好的分析决策。用户可以根据自己需要设置该树形展示的默认关闭或开启，首先进入仪表板的编辑...
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...
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...
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...
诊断规则
通过故障诊断平台，运维人员可以将诊断过程、排查顺序进行图形化编排与设计，即故障诊断决策树。而后，在实际故障发生时，即可执行自动化、标准化的故障排查，并直接输出诊断报告，反馈诊断结果。故障诊断功能有效提升了故障排查效率，实现...
功能特性
风险场景 风险场景 是针对特定风险事件进行集中化处理的模块，风险场景中包含了处理风险事件所需要诊断决策树、应急预案、业务影响等信息。目前应急场景升级后，需要将风险场景和应急响应联动，所以需要添加更多属性。日常巡检 日常巡检 是...
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，...
梯度提升回归树算法（GBRT）
前向分布算法的思想是基于当前模型和拟合函数来选择合适的决策树函数，从而最小化损失函数。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...
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...
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...
性能指标
算法类型 数据规模 特征规模 任务类型 任务平均运行时间 决策树-XGBoostWithDp 100万 2000维*2000维 训练 180分钟 决策树-GBDTWithDp 500万 100维*100维 训练 15分钟 线性回归-LinearRegressionWithHe 100万 100维*100维 训练 150分钟 逻辑...
随机森林回归算法（Random Forest Regression）
随机森林回归模型通过随机抽取样本和特征，建立多棵相互不关联的决策树，通过并行的方式获得预测结果。每棵决策树都能通过抽取的样本和特征得出一个预测结果，通过综合所有树的结果取平均值，得到整个森林的回归预测结果。使用场景 随机...
风险事件
告警指标：应急分析：风险事件关联了诊断决策树时，该模块将展示自动触发的诊断决策树中诊断异常的信息。应急响应：包括未响应和已响应的成员。应急过程：展示了当前风险应急处理的流程与进展（发现风险>应急过程>应急完成）以及应急处理...
应用上云策略及决策流程
上云策略 上云规划阶段，需要确认应用的上云策略，是否平迁或改造上云，根据阿里云的以往项目实践，我们建议的上云策略包含以下几点。保持现状 保留应用程序在当前的IT环境，作为非云基础设施的一部分；...其决策流程可以参考下图。
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...
PolarDB并行查询
始终快速的分析时间可以驱动快速的业务决策，使企业在快速变化的市场环境中保持竞争力。架构 并行查询组件的整体架构如下：核心部分包括在3层中，从上到下依次是：Cost-based Parallel Optimizer，嵌入在MySQL的优化器框架中，完成并行优化...
特征编码
功能介绍 特征编码由决策树和Ensemble算法挖掘新特征的一种策略，特征来自一个或多个特征组成的决策树叶子结点的one-hot结果。例如，下图有三棵树，共有12个叶子结点。根据树的顺序依次编码为0~11号特征，其中第一棵树的叶子结点占据0~3号...
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...
机器学习（MADlib）
插件简介 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...
- 产品推荐
- 这些文档可能帮助您