XGBoost
是 回归 分类 回归 树的数量 要适应的增强树的数量。否 100[1,10000]最大树深度 各个回归估计量的最大深度。否 3[1,100]学习率 学习效率。否 0.1(0,1]测试集比例 测试模型的数据占总输入数据的比例，用于计算模型的评价指标。是 0.2[0,1]...
随机森林
是 分类 分类 回归 树数量 要执行的提升阶段数。梯度提升对于过度拟合具有相当强的鲁棒性，因此大量提升通常会带来更好的性能 否 100[1,10000]最大深度 各个回归估计量的最大深度。最大深度限制了树中节点的数量 否-1[-1,99999999]最小分割...
LightGBM
是 分类 分类 回归 最大树叶数 无 否 31[0,10000]最大树深度 各个回归估计量的最大深度。最大深度限制了树中节点的数量，表示没有限制。否-1[-1,100]学习率 无 否 0.1(0,1]树的数量 要适应的增强树的数量。否 100[1,10000]测试集比例 测试...
梯度提升回归树算法（GBRT）
本文介绍了梯度提升回归树算法（Gradient Boosting Regression Tree，下文简称GBRT）相关内容。简介 GBRT算法是集成学习Boosting家族的成员，使用了前向分布算法，但是弱学习器限定了只能使用CART回归树模型。前向分布算法的思想是基于当前...
梯度提升回归树
本文为您介绍梯度提升回归树组件。功能说明 梯度提升回归树GBRT（Gradient Boosting Regression Tree）是利用树模型进行回归的算法模型。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，梯度提升回归树中没有...
决策树
是 分类 分类 回归 特征切分策略 用于在每个节点上选择拆分的策略。支持的策略是“最佳”选择最佳拆分，“随机”选择最佳随机拆分 否 最佳 最佳 随机 最大深度 各个回归估计量的最大深度。最大深度限制了树中节点的数量 否-1[-1,99999999]...
分类管理
阿里云视频点播为您提供分类管理功能，您...创建分类树后，可在视频管理中进行使用，场景如下所示：在视频上传时选择分类，也可在详情页中，针对某个视频进行分类信息的设置调整。在视频列表中，通过 分类 快速检索属于某个分类的所有视频。
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 ...
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...
安全联邦学习-工作流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...
创建安全联邦学习任务（任务模式）
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_With_He，用于回归。FL逻辑回归支持的算法为 LogisticRegressionWithHe:Logistic_...
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）
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...
支持向量机
支持向量机在高维度或无穷维度空间中，构建一个超平面或者一系列的超平面，可以用于分类、回归或者别的任务。直观地看，借助超平面去实现一个好的分割，能在任意类别中使最为接近的训练数据点具有最大的间隔距离（即所谓的函数余量），这样...
人工神经网络
是 分类 分类 回归 隐藏层数量 神经网络隐藏层个数，默认1，即单层。是 1[1,99999999]神经元数量 每个隐藏层对应的神经元数量。说明 每层的神经元数量以英文逗号隔开。例如：隐藏层个数为3，神经元数量设置为“100,101,102”，代表第一层...
逻辑回归
cg（牛顿法）lbfgs（L-BFGS拟牛顿法）sag（随机梯度下降法）最大迭代次数 求解程序收敛所需的最大迭代次数 否 100[1,10000]分类方式 二分类目标：采用one-vs-rest策略进行分类 多分类目标：直接采用多分类逻辑回归模型 否 自动 自动 二分类...
功能更新【2023年】
降低联邦学习使用门槛 内置多个个组件，包含数据处理、特征工程、机器学习+训练+预测+评估等组件，支持XGBOOST、逻辑回归、线性回归、MLP等常用算法，支持二分类、多分类、回归场景，能满足线索评级、金融评分卡、营销CTR/CVR模型等场景...
通用模型导出
支持接入的上游组件 常规机器学习组件 GBDT二分类 线性支持向量机 逻辑回归二分类 GBDT回归 线性回归 K均值聚类 逻辑回归多分类 朴素贝叶斯 PS系列组件 PS-SMART二分类 PS-SMART多分类 PS-SMART回归 PS线性回归 可视化配置组件 您可以在 ...
算法建模
本文以逻辑回归二分类算法为例，为您介绍如何使用PAI Designer训练模型。前提条件 完成数据可视化，详情请参见 数据可视化。操作步骤 登录 PAI控制台，进入工作流页面。操作详情请参见 step1：进入工作流页面。构建逻辑回归二分类节点并...
概述
支持的机器学习模型 MaxCompute SQLML当前支持如下机器学习模型：逻辑回归二分类：模型名称为 logisticregression_binary。更多信息，请参见 线性支持向量机。逻辑回归多分类：模型名称为 logisticregression_multi。更多信息，请参见 PS-...
使用可视化大屏查看分析报告
数据可视化分析：相关系数矩阵 直方图 散点图 箱线图 数据视图 特征工程：线性模型特征重要性 随机森林特征重要性 模型评估：混淆矩阵 聚类模型评估 多分类评估 二分类评估 模型可视化：GBDT二分类 GBDT回归 随机森林 XGBoost训练 统计分析...
Spark概述
机器学习 Spark的MLlib提供了较丰富的机器学习库，包括分类、回归、协同过滤、聚合，同时提供了模型选择、自动调参和交叉验证等工具来提高生产力。MLlib主要支持非深度学习的算法模块，详情请参见 Machine Learning Library(MLlib)Guide。...
数据建模
通过连线，将 预测-1 节点的 模型结果输入 端口和 预测数据输入 端口分别作为 逻辑回归二分类-1 节点的 逻辑回归模型 端口和 拆分-1 节点的 输出表2 端口的下游节点。单击画布中的 预测-1 节点，在右侧 字段设置 页签，特征列 默认全选，将...
计量计费
机器学习模型：按照PAI Studio计费规则计费，规则如下，更多 人工智能平台 PAI 计费信息，请参见 Designer 计费说明：机器学习模型 单价（CNY/计算时）MaxCompute支持的地域 逻辑回归二分类 1.3 华北2（北京）华东2（上海）华东1（杭州）...
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...
创建工作流：预置模板
按照算法类别和框架分为：分类、回归、聚类、TF框架和PyTorch框架。按照业务领域分为：推荐、风控、用户增长、CV、NLP、模型优化、ASR和视频领域。查看并选择合适的工作流模板，单击工作流模板区域的 创建。在 新建工作流 对话框中，配置...
阿里云ES机器学习
创建推理机器学习任务 基于Data frame 的回归与分类 允许对结构化数据进行分类和回归分析，属于有监督学习，适合于那些已经明确了问题定义和相应数据标签的场景。自然语言处理（NLP）任务 可以与其他NLP和机器学习工具集成，以支持例如文本...
单模型部署在线服务
GBDT二分类 PMML PMML 线性支持向量机 PMML PMML 逻辑回归多分类 PMML PMML 随机森林 PMML PMML 朴素贝叶斯 PMML PMML K均值聚类 PMML PMML GBDT回归 PMML PMML 线性回归 PMML PMML 评分卡训练 PMML PMML 文本摘要训练 tgz包 EasyNLP 会...
XGBoost预测
XGBoost算法在Boosting算法的基础上进行了扩展和升级，具有较好的易用性和鲁棒性，被广泛用在各种机器学习生产系统和竞赛领域，该算法支持分类和回归。XGBoost预测组件是在开源社区的基础上进行包装，您可以使用该组件对XGBoost训练组件...
雾霾天气预测
本文通过分析北京一年的真实天气数据，构建雾霾天气预测模型，...在 二分类评估 对话框，单击 评估图表 页签，即可查看 逻辑回归二分类 训练模型的预测效果。AUC的取值表示 逻辑回归二分类 组件训练的雾霾天气预测模型的准确率达到了98%以上。
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...例如，本项目中有成功建模的任务名为“1_横向虚拟关联_train算法”，其中有建模组件名字为“横向逻辑回归二分类”，则模型名字为“1_横向虚拟关联_train算法_横向逻辑回归二分类”，如下图所示：
离线调度
本工作流以广告CTR预测场景为例，为您介绍如何使用PAI提供的数据挖掘组件进行离线调度。背景信息 本工作流流程如下：通过历史数据，在阿里云机器学习平台上进行模型训练。...关于逻辑回归二分类更详细的内容介绍，请参见 逻辑回归二分类。
横向预测
一、组件说明 横向预测组件是专门用于横向模型预测的组件，如横向逻辑回归二分类、横向MLP二分类等。输入为预测数据表和模型，输出为预测结果。支持使用单方或多方联合数据，获得横向模型预测结果。横向二分类和多分类模型预测结果包括...
模型训练
按照算法类别和框架分为：分类、回归、聚类、TF框架和PyTorch框架。按照业务领域分为：推荐、风控、用户增长、CV、NLP、模型优化、ASR和视频领域。Designer自定义模板 导出的JSON格式的模板文件 根据业务场景，新增或修改工作流节点，修改...
逻辑回归多分类
经典逻辑回归是一个二分类算法，PAI提供的逻辑回归可以支持多分类，且支持稀疏及稠密数据格式。组件配置 您可以使用以下任意一种方式，配置逻辑回归多分类组件参数。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 ...
服务在线调试
逻辑回归二分类模型为PMML模型，生成的模型文件中特征数据包括 sex、cp、fbs、restecg、exang、slop、thal、age、trestbps、chol、thalach、oldpeak 和 ca。则请求数据配置为[{"sex":0,"cp":0,"fbs":0,"restecg":0,"exang":0,"slop":0,...
评估模型
在组件列表中分别搜索 预测 组件，找到后将其拖入画布，并将生成的节点作为 拆分-1、逻辑回归二分类-1 节点的下游节点，拼接为实验。单击画布中的 预测-1 节点，在右侧节点配置中，分别单击 特征列字段、原样输出列字段 下的 选择字段，在 ...
逻辑回归二分类
经典逻辑回归是一个二分类算法，支持稀疏及稠密数据格式。组件配置 您可以使用以下任意一种方式，配置逻辑回归二分类组件参数。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 训练特征列 输入数据源中...
通过Elasticsearch机器学习实现业务数据的智能检测和...
监督机器学习包括Regression和Classification等场景，使用分类和回归算法解决非常复杂的问题。该模式需要一定的数据训练预测任务，然后使用训练出来的任务来对未来的数据进行分类、预测。场景大类 场景 类别 说明 异常检测Anomaly ...
基于对象特征的推荐
实验运行结束后，右键单击画布中的 逻辑回归二分类-1，在快捷菜单，单击 模型选项>导出PMML，即可导出训练完成的基于对象特征的推荐模型。右键单击画布中的 预测，在快捷菜单，单击 查看数据>预测结果输出，即可查看模型预测结果。查看模型...
- 产品推荐
- 这些文档可能帮助您