主成分分析
特征分解方式 分解特征的方式，取值如下：CORR COVAR_SAMP COVAR_POP 数据转换方式 转换为新数据的处理方式，取值如下：Simple Sub-Mean Normalization 执行调优 生命周期 指定输出表的生命周期，取值为正整数。节点个数 与 单个节点内存...
App端性能体验功能说明
完整介绍Quick Tracking性能体验模块-APP端涉及功能。产品介绍 产品概述 应用性能稳定是良好用户体验中非常关键的一环，而现实情况却是应用崩溃、卡顿、加载缓慢、页面白屏等问题，频频出现在用户的真实体验之中，成为影响业务表现的直接...
DeepFM算法
简介 DeepFM将深度学习模型（DNN）和因子分解机（FM）模型结合，同时支持学习低阶显式特征组合和高阶隐式特征组合，不需要人工做特征工程，常用于推荐系统或广告系统。输入通常有以下两类特征：类别特征（Categorical Feature）：字符串...
影响查询性能的因素
数据分布特征 由于使用了分布式数据处理架构，AnalyticDB MySQL版 具备将一条查询分解到多个节点上并行执行的能力。但 AnalyticDB MySQL版 能否充分利用多节点来并行处理查询，还取决于数据在存储节点上的分布特征。如果数据能够均匀分布在...
组件参考：所有组件汇总
特征工程 特征重要性过滤 特征重要性过滤组件为线性特征重要性、GBDT特征重要性和随机森林特征重要性等组件提供过滤功能，支持过滤TopN的特征。主成分分析 该组件是研究如何通过少数主成分揭示多个变量间的内部结构，考察多个变量间相关性...
序列分解函数
序列分解函数提供针对业务曲线的分解功能，突出曲线的趋势信息和周期信息。ts_decompose 函数格式：select ts_decompose(x,y)参数说明如下：参数 说明 取值 x 时间列，从小到大排列。格式为Unixtime时间戳，单位为秒。y 数值列，对应某时刻...
奇异值分解
奇异值分解（Singular Value Decomposition）是线性代数中一种重要的矩阵分解，是矩阵分析中正规矩阵求对角化的推广。在信号处理、统计学等领域有重要应用。背景信息 奇异值分解的公式为 X=U S V’。参数配置 您可以使用以下任意一种方式，...
主成分分析
是 2[1,99999999]奇异值求解器 指定奇异值分解SVD的方法。自动：自动选择一个合适的SVD算法来降维。LAPACK：使用标准的LAPACK求解器。ARPACK：使用ARPACK求解器。随机：随机选择求解器，一般适用于数据量大，数据维度多同时主成分数量少的...
使用ALS算法实现音乐评分预测（旧版）
本文为您介绍如何使用ALS矩阵分解算法预测用户对音乐的评分。前提条件 已创建工作空间，详情请参见 创建工作空间。ALS算法 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，评估缺失项的值，从而得到...
算法说明
目前智能巡检使用流式图算法、流式分解算法进行数据巡检。本文介绍流式图算法、流式分解算法的适用场景、参数配置、预览说明等内容。流式图算法 流式图算法基于Time2Graph系列模型中的原理进行研发，可对数据进行整体降噪，分析异常数据...
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，评估缺失项的值，从而得到基本的训练模型。在协同过滤分类方面，ALS算法属于User-Item CF（Collaborative Filtering），兼顾 User 和 Item 项，也称为...
分解类算法参数调优
本文介绍分解类算法（ostl-esd、istl-esd和istl-nsigma）的参数调优方法。背景信息 分解类算法（ostl-esd、istl-esd和istl-nsigma）适用于周期性数据，常见于QPS类数据，如每天或每周在相对固定的时刻出现峰值或者谷值的数据。在使用分解类...
配置FeatureStore项目
阿里云特征平台 FeatureStore 为您提供特征项目和特征实体功能，通过特征实体的Join Id来关联各个项目中的特征视图，将一个特征实体的所有特征进行关联，最终结合Label表产出模型特征表train set表，并将train set表存在离线存储MaxCompute...
特征管理
特征管理介绍 OpenSearch推出了定制排序模型功能，特征管理可用于为定制排序模型添加所需的特征表，并支持创建、编辑特征名称、特征类型以及来源字段。添加特征表 创建 行业模板 之后，进入开放搜索 控制台 页面，左侧导航栏选择：...
ALS评分
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，评估缺失项的值，从而得到基本的训练模型。在协同过滤分类方面，ALS算法属于User-Item CF（Collaborative Filtering），兼顾 User 和 Item 项，也称为...
FeatureStore概述
阿里云FeatureStore为您提供特征项目和特征实体功能，通过特征实体的Join Id来关联各个项目中的特征视图，将一个特征实体的所有特征进行关联，最终结合Label表产出模型特征表Train Set表，并将Train Set表存在离线存储MaxCompute中。...
特征管理
本文介绍了在PolarDB for AI中，特征管理的适用场景，以及创建特征、更新特征、查看特征状态、查看特征列表以及删除特征的语法及其示例内容。适用场景 从原始数据直接构建机器学习模型往往比较困难。机器学习模型的输入一般会先对原始数据...
查看特征组信息
本文介绍如何查看特征组的详细信息。前提条件 确保所需的特征样本已经完成了特征组的定义、发布和验证，且已授权到当前项目。操作步骤 登录多方安全建模控制台。在左侧导航栏，单击 模型部署>在线特征。在 在线特征 页面，单击特征组名称或...
发布特征
本文介绍在管理控制台中发布特征的方法。说明 已发布的特征不可以删除。前提条件 您已成功创建特征组...说明 如果您想在已发布特征的特征组中新增特征，可单击该特征组右侧的 编辑，在 编辑特征组 面板中单击 新增特征，填写表单后单击 确定。
一致性检查
传入的上下文特征没有，或者在线服务没有构造出相关特征 特征值不匹配，在线的特征值的处理逻辑或者方法与离线的构造不一致 模型的特征处理逻辑有误，processor在打分之前，如果需要对特征的处理，比如EasyRec，这块特征处理涉及特征加载、...
自定义特征
本文为您介绍自定义特征组件。功能说明 自定义特征组件可根据上传数据已有特征进行加减乘除处理后生成新的特征。在项目中，可以通过计算来生成优于原特征的新特征。应用场景：已有特征x1、x2，需要新生成特征y1和y2，其中y1由“x1”与“x2...
时序异常检测的常见问题
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），参数调优请参见 分解类算法参数调优。如果您的数据通常通过阈值即可判断异常，那么推荐您优先尝试...
过滤式特征选择
根据您使用的不同特征选择方法，从所有稀疏或稠密格式的特征数据中选择并过滤出TopN的特征数据，同时保存为特征重要性表，实现了降低模型训练的难度和提高训练模型的精确度。本文为您介绍 Designer 提供的过滤式特征选择组件的参数配置和...
配置特征映射模板
您成功创建特征组后，可以根据本文配置数据表字段和特征组特征的映射关系。前提条件 您已成功创建特征组。具体操作，请参见 新建特征组。操作步骤 登录 蚂蚁隐私计算服务平台。在左侧导航栏，选择 我的资源>数据资产。在 数据资产管理 页面...
添加识别特征
识别特征用于统一管理内置识别表达式，如手机号、身份证号等，本文为您介绍系统内置特征和自定义识别特征。权限说明 安全管理员支持新建及管理识别特征。自定义识别特征 在Dataphin首页，单击顶部菜单栏的 资产。按照下图操作指引，进入 ...
新建特征组
本文介绍在蚂蚁隐私计算服务平台新建特征组的方法。操作步骤 登录 蚂蚁隐私计算服务平台。在左侧导航栏，选择 我的资源>数据资产。在 数据资产管理 页面，单击 特征组 页签，然后单击 新建特征组。在 新建特征组 面板中，单击 新增特征，...
添加识别特征
识别特征用于统一管理内置识别表达式，如手机号、身份证号等，本文为您介绍系统内置特征和自定义识别特征。权限说明 安全管理员支持新建及管理识别特征。自定义识别特征 在Dataphin首页，单击顶部菜单栏的 资产。按照下图操作指引，进入 ...
特征配置
特征的配置对应配置总览中的 FeatureConfs，FeatureConfs 是一个 Map[string]object 结构，其中 key 为场景名，可以根据不同场景配置不同的特征 特征加载 在精排之前，需要从特征存储源里获取到 user 或者 item 的特征数据。在某些情况下，...
特征尺度变换
特征尺度变换算法组件支持对稠密或稀疏的数值类特征进行常见的尺度变换。功能介绍 特征尺度变换的功能如下：支持常见的 log2、log10、ln、abs 及 sqrt 等尺度变化函数。支持稠密及稀疏数据格式。组件配置 您可以使用以下任意一种方式，配置...
One-Hot编码
一、组件说明 One-Hot编码是一种将离散特征转换成连续特征的方法。它将一个有m个取值的离散特征转换为m个0/1特征，每个特征表示原离散特征是否等于该取值。例如，假设原始数据集有一个表示“颜色”的特征，包含三个不同的取值：红色、绿色...
定制排序模型特征配置规范
本篇文档主要介绍定制排序模型的特征类型配置属性，不同特征配置有相应限制，以下是对应规范和限制。介绍 本篇文档主要介绍定制排序模型的特征类型配置属性，不同特征配置有相应限制，以下是对应规范和限制。公共属性 字段名 是否必选 含义...
横向One-Hot编码
一、组件说明 横向One-Hot编码是一种将离散特征转换成连续特征的方法，用于横向场景。它将一个有m个取值的离散特征转换为m个0/1特征，每个特征表示原离散特征是否等于该取值。例如，假设原始数据集有一个表示“颜色”的特征，包含三个不同...
通用联邦学习模板
step 3 训练侧特征工程：选择和提取有用的特征，包括特征选择、特征变换、特征抽取和特征组合等。其中，对于Category特征和Numeric特征，均有对应的处理方案，详见组件说明。特征工程的配置可输出，供预测和评估流程使用。step 4 测试侧...
概述
日志服务机器学习功能为您提供多种功能丰富的算法和便捷的调用方式，您可以在日志查询分析中通过分析语句和机器学习函数调用机器学习算法，分析某一字段或若干字段在一段时间内的特征。针对时序数据分析场景，日志服务提供了丰富的时序分析...
系统内置基础特征
基础特征 结构示意图 基础特征类型介绍 基础特征总体分为两大类：item和user item：字段特征：首先选择需要处理的特征字段，默认支持当前应用下的所有字段。然后选择具体的处理方式，如对于文本类型可以选择分词、向量化等，对于数值类型，...
特征重要性过滤
特征重要性过滤组件为线性特征重要性、GBDT特征重要性和随机森林特征重要性等组件提供过滤功能，支持过滤TopN的特征。组件配置 PAI命令 PAI-name fe_filter_runner-project algo_public-DselectedCols=pdays,previous,emp_var_rate,cons_...
安全联邦学习-工作流FL
3、训练侧特征工程 选择和提取有用的特征，包括特征选择、特征变换、特征抽取和特征组合等。其中，对于Category特征和Numeric特征，均有对应的处理方案，详见组件说明。特征工程的配置可输出，供预测和评估流程使用。4、测试侧特征工程 ...
Callback 回调接口
一个训练样本S_i（对应推荐请求R_i）中的实时特征，需要是推荐请求R_i时刻的user和item特征，因此最佳保证实时特征是在推荐请求打到推荐服务的时候，在算法计算推荐结果的同时，把recomid+user的实时特征+item的实时特征落入日志中（如...
全域分析
显著特征洞察 基于当前空间下的全量存量用户，洞察整体特征分布情况，了解显著特征。您可以切换 TGI值最高 或 人数占比最高，分别观察TGI指数分析、覆盖人数分析的结果：TGI指数分析 说明：TGI:Target Group Index（目标群体指数）;TGI=A/B...
特征异常平滑
特征平滑组件可以将输入特征中包含异常的数据平滑到一定区间，支持稀疏和稠密数据格式。背景信息 平滑方法如下：ZScore平滑 如果特征分布遵循正态分布，则噪音一般集中在-3×alpha 和 3×alpha 之外，ZScore是将该范围的数据平滑到[-3×...
- 产品推荐
- 这些文档可能帮助您