HelloWorld 开发者社区

科技资讯

全部资讯

开源项目

全部项目

推荐好文

时间序列中的特征选择:在保持性能的同时加快预测速度

当我们对数据建模时,首先应该建立一个标准基线方案,然后再通过优化对该方案进行修改。在项目的第一部分中,我们必须要投入时间来理解业务需求并进行充分的探索性分析。建立一个原始模型。可以有助于理解数据,采用适当的验证策略,或为引入奇特的想法提供数据的支持。在这个初步阶段之后,我们可以根据不同的情况选择

几行 Python 代码就可以提取数百个时间序列特征

时间序列数据是随着时间的推移反复捕获的变量值,随着时间的推移可以产生一系列的按时间顺序索引的数据点。在时间序列中,数据具有自然的时间顺序,即一个变量在特定时间的值依赖于过去的值。传统的机器学习算法不能捕捉时间序列数据的时间顺序。数据科学家需要执行相关的特征工程,将数据的重要特征捕获到几个指标中。

实时特征计算平台架构方法论和基于 OpenMLDB 的实践

实时特征计算平台架构方法论和基于OpenMLDB的实践导读:在机器学习从开发到上线的闭环中,实时特征计算是其中的重要一环,用于完成数据的实时特征加工。由于其高时效性需求,数据科学家完成特征脚本离线开发以后,往往还需要工程化团队通过大量的优化才能完成上线。另一方面,由于存在离线开发和工

端到端的特征转换示例:使用三元组损失和 CNN 进行特征提取和转换

虽然大多数的特征策略都与领域相关,并且必须针对每个应用程序进行专门调整。但特征工程是操纵原始数据和提取机器学习特征的过程,探索性数据分析(EDA)可以使用特征工程技术来可视化数据并在执行机器学习任务之前更好地识别模式和异常值。这是数据科学的重要一步,可以确保特定机器学习应用程序的预期结果。使

Disruptor在云音乐特征服务中的应用

<blockquote作者:章北海</blockquote我们的线上特征数据服务DataService,为了解决使用线程池模型导致机器cpu利用率不高,长尾请求延迟不线性(p99、p999出现J型曲线)的问题。在利用Disruptor替换线程池之后取得不错的性能结果。本文主要是简单的介绍一下

构建面向特征工程的数据生态 ——拥抱开源生态,OpenMLDB全面打通MLOps生态工具链

引言:随着业务的发展,模型应用场景的增加,AI工程化落地成为了不少企业面对的切实挑战。近几年,应对这个痛点的新概念——MLOps逐渐成为了机器学习领域的热门话题。OpenMLDB提供FeatureOps全栈解决方案,积极打通MLOps工具链,建立起一个标准化的模型开发、部署与运维流程,降低

正在加载更多文章…

加载更多

已加载文章中没有匹配内容,可继续加载更多。