組件類(lèi)型

組件

描述

自定義組件

自定義組件

支持在AI資產(chǎn)管理中創(chuàng)建自定義組件，自定義組件創(chuàng)建成功后，您可以在Designer中將該組件與官方組件串聯(lián)使用進(jìn)行模型訓(xùn)練。

源/目標(biāo)

讀OSS數(shù)據(jù)

該組件用來(lái)讀取對(duì)象存儲(chǔ)OSS Bucket路徑下的文件或文件夾。

讀CSV文件

該組件支持從OSS、HTTP、HDFS讀取CSV類(lèi)型的文件數(shù)據(jù)。

讀數(shù)據(jù)表

該組件用于讀取MaxCompute表數(shù)據(jù)，默認(rèn)讀取本項(xiàng)目的表數(shù)據(jù)。

寫(xiě)數(shù)據(jù)表

該組件支持將上游數(shù)據(jù)寫(xiě)入MaxCompute中。

數(shù)據(jù)預(yù)處理

隨機(jī)采樣

該組件按照給定的比例或者數(shù)目，對(duì)輸入進(jìn)行隨機(jī)獨(dú)立采樣。

加權(quán)采樣

以加權(quán)方式生成采樣數(shù)據(jù)。

過(guò)濾與映射

該組件可以對(duì)數(shù)據(jù)按照過(guò)濾表達(dá)式進(jìn)行篩選，并且您可以修改輸出字段名稱(chēng)。

分層采樣

給定一個(gè)分組列，該組件按照這些列的不同值，將輸入數(shù)據(jù)分成不同的組，并在每組中分別進(jìn)行隨機(jī)采樣。

JOIN

該組件將兩張表通過(guò)關(guān)聯(lián)信息，合成一張表，并確定輸出的字段，與SQL的JOIN語(yǔ)句功能類(lèi)似。

合并列

該組件將兩張表的數(shù)據(jù)按列合并，需要表的行數(shù)保持一致，否則報(bào)錯(cuò)。如果兩張表只有一張存在分區(qū)，則分區(qū)表需要連接第二個(gè)輸入端口。

合并行（UNION）

該組件是將兩張表的數(shù)據(jù)按行合并，左表及右表選擇輸出的字段個(gè)數(shù)以及類(lèi)型應(yīng)保持一致。整合了UNION和UNION ALL的功能。

類(lèi)型轉(zhuǎn)換

該組件是可以將任意類(lèi)型特征轉(zhuǎn)成STRING、DOUBLE和INT特征，并支持轉(zhuǎn)換異常時(shí)的缺失值填充。

增加序號(hào)列

該組件是提供的增加序號(hào)列組件，您可以在數(shù)據(jù)表的第一列追加ID列。

拆分

該組件是對(duì)數(shù)據(jù)進(jìn)行隨機(jī)拆分，用于生成訓(xùn)練和測(cè)試集。

缺失值填充

您可以通過(guò)可視化或PAI命令的方式，配置該組件參數(shù)。

歸一化

該組件支持將稠密數(shù)據(jù)或稀疏數(shù)據(jù)進(jìn)行歸一化處理。

標(biāo)準(zhǔn)化

該組件分為可分化方式和PAI命令方式生成標(biāo)準(zhǔn)化實(shí)例。

KV2Table

該組件可以將KV（Key:Value）格式的表轉(zhuǎn)換為普通表格式。

Table2KV

該組件分為可分化方式和PAI命令方式，可以轉(zhuǎn)化普通表為KV（Key:Value）格式的表。

特征工程

特征重要性過(guò)濾

特征重要性過(guò)濾組件為線性特征重要性、GBDT特征重要性和隨機(jī)森林特征重要性等組件提供過(guò)濾功能，支持過(guò)濾TopN的特征。

主成分分析

該組件是研究如何通過(guò)少數(shù)主成分揭示多個(gè)變量間的內(nèi)部結(jié)構(gòu)，考察多個(gè)變量間相關(guān)性的一種多元統(tǒng)計(jì)方法。

特征尺度變換

您可以通過(guò)該組件對(duì)稠密或稀疏的數(shù)值類(lèi)特征進(jìn)行常見(jiàn)的尺度變換。

特征離散

該組件是將連續(xù)特征按照一定的規(guī)則進(jìn)行離散化。

特征異常平滑

該組件可以將輸入特征中包含異常的數(shù)據(jù)平滑到一定區(qū)間，支持稀疏和稠密數(shù)據(jù)格式。

奇異值分解

該組件是線性代數(shù)中一種重要的矩陣分解，是矩陣分析中正規(guī)矩陣求對(duì)角化的推廣。

異常檢測(cè)

該組件用于檢測(cè)連續(xù)值和枚舉值類(lèi)特征的數(shù)據(jù)，幫助您挖掘數(shù)據(jù)中的異常點(diǎn)。

線性模型特征重要性

該組件包括線性回歸和二分類(lèi)邏輯回歸，支持稀疏和稠密數(shù)據(jù)格式。

離散值特征分析

該組件用于統(tǒng)計(jì)離散特征的分布情況。

隨機(jī)森林特征重要性

您可以通過(guò)該組件計(jì)算特征重要性。

過(guò)濾式特征選擇

該組件將根據(jù)您使用的不同特征選擇方法，從所有稀疏或稠密格式的特征數(shù)據(jù)中選擇并過(guò)濾出TopN的特征數(shù)據(jù)。

特征編碼

該組件是將非線性特征通過(guò)GBDT編碼成線性特征。

one-hot編碼

您可以通過(guò)該組件后數(shù)據(jù)會(huì)變成稀疏，輸出結(jié)果也是KV的稀疏結(jié)構(gòu)。

統(tǒng)計(jì)分析

數(shù)據(jù)視圖

通過(guò)數(shù)據(jù)視圖組件，您可以可視化地了解特征與標(biāo)簽列的分布情況及特征的特點(diǎn)，以便后續(xù)進(jìn)行數(shù)據(jù)分析。

協(xié)方差

該組件用于衡量?jī)蓚€(gè)變量的總體誤差。

經(jīng)驗(yàn)概率密度圖

該組件是采用經(jīng)驗(yàn)分布和內(nèi)核分布兩種算法。

全表統(tǒng)計(jì)

該組件用于統(tǒng)計(jì)全表，或某些選中的列。

卡方擬合性檢驗(yàn)

該組件用于變量為類(lèi)別型變量的場(chǎng)景，旨在檢驗(yàn)單個(gè)多項(xiàng)分類(lèi)型變量在各分類(lèi)間的實(shí)際觀測(cè)次數(shù)與理論次數(shù)是否一致，其零假設(shè)為觀測(cè)次數(shù)與理論次數(shù)無(wú)差異。

箱線圖

箱形圖是一種用作顯示一組數(shù)據(jù)分散情況的統(tǒng)計(jì)圖。它主要用于反映原始數(shù)據(jù)分布的特征，還可以進(jìn)行多組數(shù)據(jù)分布特征的比較。

散點(diǎn)圖

散點(diǎn)圖是指在回歸分析中，數(shù)據(jù)點(diǎn)在直角坐標(biāo)系平面上的分布圖。

相關(guān)系數(shù)矩陣

相關(guān)系數(shù)算法用于計(jì)算一個(gè)矩陣中每列之間的相關(guān)系數(shù)，取值范圍為[-1,1]。系統(tǒng)計(jì)算時(shí)，count數(shù)按兩列間同時(shí)非空的元素個(gè)數(shù)計(jì)算，兩兩列之間可能不同。

雙樣本T檢驗(yàn)

該組件基于統(tǒng)計(jì)學(xué)原理用來(lái)檢驗(yàn)兩個(gè)樣本的均值是否有顯著差異。

單樣本T檢驗(yàn)

該組件旨在檢驗(yàn)?zāi)硞€(gè)變量的總體均值與某個(gè)指定值之間是否存在顯著差異，其檢驗(yàn)的樣本必須總體服從正態(tài)分布。

正態(tài)檢驗(yàn)

該組件通過(guò)觀測(cè)值判斷總體是否服從正態(tài)分布，是統(tǒng)計(jì)判決中重要的一種特殊的擬合優(yōu)度假設(shè)檢驗(yàn)。

洛倫茲曲線

通過(guò)該組件，您可以直觀地看到一個(gè)國(guó)家或地區(qū)收入分配狀況。

百分位

該組件是統(tǒng)計(jì)學(xué)術(shù)語(yǔ)，用于計(jì)算數(shù)據(jù)表列數(shù)據(jù)的百分位。

皮爾森系數(shù)

該組件是一種線性相關(guān)系數(shù)，用于反映兩個(gè)變量線性相關(guān)程度的統(tǒng)計(jì)量。

直方圖

該組件（Histogram）又稱(chēng)質(zhì)量分布圖，是一種統(tǒng)計(jì)報(bào)告圖，由一系列高度不等的縱向條紋或線段表示數(shù)據(jù)分布的情況。

機(jī)器學(xué)習(xí)

預(yù)測(cè)

該組件的輸入為訓(xùn)練模型和預(yù)測(cè)數(shù)據(jù)，輸出為預(yù)測(cè)結(jié)果。

XGBoost訓(xùn)練

該組件算法在Boosting算法的基礎(chǔ)上進(jìn)行了擴(kuò)展和升級(jí)，具有較好的易用性和魯棒性，被廣泛用在各種機(jī)器學(xué)習(xí)生產(chǎn)系統(tǒng)和競(jìng)賽領(lǐng)域。當(dāng)前支持分類(lèi)和回歸。

XGBoost預(yù)測(cè)

該組件算法在Boosting算法的基礎(chǔ)上進(jìn)行了擴(kuò)展和升級(jí)，具有較好的易用性和魯棒性，被廣泛用在各種機(jī)器學(xué)習(xí)生產(chǎn)系統(tǒng)和競(jìng)賽領(lǐng)域。當(dāng)前支持分類(lèi)和回歸。

線性支持向量機(jī)

該組件是基于統(tǒng)計(jì)學(xué)習(xí)理論的一種機(jī)器學(xué)習(xí)方法，通過(guò)尋求結(jié)構(gòu)風(fēng)險(xiǎn)最小化，提高學(xué)習(xí)機(jī)泛化能力，從而實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍最小化。

邏輯回歸二分類(lèi)

該組件是一個(gè)二分類(lèi)算法，支持稀疏及稠密數(shù)據(jù)格式。

GBDT二分類(lèi)

該組件的原理是設(shè)置閾值，如果特征值大于閾值，則為正例，反之為負(fù)例。

PS-SMART二分類(lèi)

參數(shù)服務(wù)器PS（Parameter Server）致力于解決大規(guī)模的離線及在線訓(xùn)練任務(wù)，SMART（Scalable Multiple Additive Regression Tree）是GBDT（Gradient Boosting Decision Tree）基于PS實(shí)現(xiàn)的迭代算法。

PS邏輯回歸二分類(lèi)

該組件是經(jīng)典的二分類(lèi)算法，廣泛應(yīng)用于廣告及搜索場(chǎng)景。

PS-SMART多分類(lèi)

參數(shù)服務(wù)器PS（Parameter Server）致力于解決大規(guī)模的離線及在線訓(xùn)練任務(wù)，SMART（Scalable Multiple Additive Regression Tree）是GBDT（Gradient Boosting Decision Tree）基于PS實(shí)現(xiàn)的迭代算法。

K近鄰

該組件進(jìn)行分類(lèi)的原理是針對(duì)預(yù)測(cè)表的每行數(shù)據(jù)，從訓(xùn)練表中選擇與其距離最近的K條記錄，將這K條記錄中類(lèi)別數(shù)量最多的類(lèi)，作為該行的類(lèi)別。

邏輯回歸多分類(lèi)

該組件是一個(gè)二分類(lèi)算法，PAI提供的邏輯回歸可以支持多分類(lèi)，且支持稀疏及稠密數(shù)據(jù)格式。

隨機(jī)森林

該組件是一個(gè)包括多決策樹(shù)的分類(lèi)器，其分類(lèi)結(jié)果由單棵樹(shù)輸出類(lèi)別的眾數(shù)決定。

樸素貝葉斯

該組件是一種基于獨(dú)立假設(shè)的貝葉斯定理的概率分類(lèi)算法。

K均值聚類(lèi)

該組件會(huì)首先隨機(jī)選擇K個(gè)對(duì)象作為每個(gè)簇的初始聚類(lèi)中心，然后計(jì)算剩余對(duì)象與各簇中心的距離，將其分配至距離最近的簇，再重新計(jì)算每個(gè)簇的聚類(lèi)中心。

DBSCAN

您可以使用DBSCAN組件構(gòu)建聚類(lèi)模型。

高斯混合模型訓(xùn)練

您可以使用高斯混合模型訓(xùn)練組件實(shí)現(xiàn)模型分類(lèi)。

DBSCAN預(yù)測(cè)

您可以使用DBSCAN預(yù)測(cè)組件基于DBSCAN訓(xùn)練模型來(lái)預(yù)測(cè)新的點(diǎn)數(shù)據(jù)所屬的簇。

高斯混合模型預(yù)測(cè)

您可以使用高斯混合模型預(yù)測(cè)組件基于訓(xùn)練好的高斯混合模型進(jìn)行聚類(lèi)預(yù)測(cè)。

GBDT回歸

該組件是一種迭代決策樹(shù)算法，適用于線性及非線性回歸場(chǎng)景。

線性回歸

該組件是分析因變量和多個(gè)自變量之間的線性關(guān)系模型。

PS-SMART回歸

該組件致力于解決大規(guī)模的離線及在線訓(xùn)練任務(wù)，SMART（Scalable Multiple Additive Regression Tree）是GBDT（Gradient Boosting Decision Tree）基于PS實(shí)現(xiàn)的迭代算法。

PS線性回歸

該組件是分析因變量和多個(gè)自變量之間的線性關(guān)系模型，參數(shù)服務(wù)器PS（Parameter Server）致力于解決大規(guī)模的離線及在線訓(xùn)練任務(wù)。

二分類(lèi)評(píng)估

該組件是通過(guò)計(jì)算AUC、KS及F1 Score指標(biāo)，輸出KS曲線、PR曲線、ROC曲線、LIFT Chart及Gain Chart。

回歸模型評(píng)估

該組件是指基于預(yù)測(cè)結(jié)果和原始結(jié)果，評(píng)估回歸算法模型的優(yōu)劣性，從而輸出評(píng)估指標(biāo)及殘差直方圖。

聚類(lèi)模型評(píng)估

該組件是基于原始數(shù)據(jù)和聚類(lèi)結(jié)果，評(píng)估聚類(lèi)模型的優(yōu)劣性，從而輸出評(píng)估指標(biāo)。

混淆矩陣

該組件適用于監(jiān)督學(xué)習(xí)，與無(wú)監(jiān)督學(xué)習(xí)中的匹配矩陣對(duì)應(yīng)。

多分類(lèi)評(píng)估

該組件是指基于分類(lèi)模型的預(yù)測(cè)結(jié)果和原始結(jié)果，評(píng)估多分類(lèi)算法模型的優(yōu)劣性，從而輸出評(píng)估指標(biāo)（例如Accuracy、Kappa及F1-Score）。

深度學(xué)習(xí)

深度學(xué)習(xí)框架及開(kāi)通說(shuō)明

阿里云機(jī)器學(xué)習(xí)平臺(tái)支持深度學(xué)習(xí)框架，您可以使用這些框架及硬件資源來(lái)使用深度學(xué)習(xí)算法。

時(shí)間序列

x13_arima

該組件是基于開(kāi)源X-13ARIMA-SEATS封裝的針對(duì)季節(jié)性調(diào)整的Arima算法。

x13_auto_arima

該組件包括自動(dòng)ARIMA模型選擇程序，主要基于TRMO（1996）及后續(xù)修訂中實(shí)施的Gomez和Maravall（1998）的程序。

Prophet

該組件對(duì)每一行的MTable數(shù)據(jù)，進(jìn)行Prophet時(shí)間序列預(yù)測(cè)，給出下一時(shí)間段的預(yù)測(cè)結(jié)果。

MTable聚合

該組件將Table按照分組列聚合成MTable。

MTable展開(kāi)

該組件將MTable展開(kāi)成Table。

推薦方法

FM算法

FM（Factorization Machine）算法兼顧特征之間的相互作用，是一種非線性模型，適用于電商、廣告及直播的推薦場(chǎng)景。

ALS矩陣分解

交替最小二乘ALS（Alternating Least Squares）算法的原理是對(duì)稀疏矩陣進(jìn)行模型分解，評(píng)估缺失項(xiàng)的值，從而得到基本的訓(xùn)練模型。

swing訓(xùn)練

該組件是一種Item召回算法，您可以使用swing訓(xùn)練組件基于User-Item-User原理衡量Item的相似性。

swing推薦

該組件是swing的批處理預(yù)測(cè)組件，您可以使用該組件基于swing訓(xùn)練模型和預(yù)測(cè)數(shù)據(jù)進(jìn)行離線預(yù)測(cè)。

協(xié)同過(guò)濾etrec

etrec是基于item的協(xié)同過(guò)濾算法，輸入為兩列，輸出為item之間的相似度TopN。

向量召回評(píng)估

向量召回評(píng)估組件計(jì)算召回的hitrate結(jié)果。hitrate作為結(jié)果好壞的評(píng)價(jià)，hitrate越高表示訓(xùn)練產(chǎn)出的向量去召回向量的結(jié)果越準(zhǔn)確。

異常檢測(cè)

局部異常因子異常檢測(cè)

該組件是根據(jù)數(shù)據(jù)樣本的局部異常因子值（Local Outlier Factor, LOF）判斷樣本是否異常。

IForest異常檢測(cè)

該組件使用sub-sampling算法，降低了算法的計(jì)算復(fù)雜度，可以識(shí)別數(shù)據(jù)中的異常點(diǎn)，在異常檢測(cè)領(lǐng)域有顯著的應(yīng)用效果。

One-Class SVM異常檢測(cè)

該組件與傳統(tǒng)SVM不同，是一種非監(jiān)督的學(xué)習(xí)算法。您可以使用One-Class SVM異常檢測(cè)通過(guò)學(xué)習(xí)邊界對(duì)異常點(diǎn)進(jìn)行預(yù)測(cè)。

自然語(yǔ)言處理

文本摘要預(yù)測(cè)

該組件旨在從冗長(zhǎng)、重復(fù)的文本序列中抽取、精煉或總結(jié)出其中的要點(diǎn)信息，新聞標(biāo)題摘要是文本摘要的一個(gè)特例。您可以使用文本摘要預(yù)測(cè)組件，調(diào)用指定預(yù)訓(xùn)練模型對(duì)新聞文本進(jìn)行預(yù)測(cè)，從而生成新聞標(biāo)題。

機(jī)器閱讀理解預(yù)測(cè)

使用該組件對(duì)生成的機(jī)器閱讀理解訓(xùn)練模型進(jìn)行離線預(yù)測(cè)。

文本摘要訓(xùn)練

該組件旨在從冗長(zhǎng)、重復(fù)的文本序列中抽取、精煉或總結(jié)出其中的要點(diǎn)信息。新聞標(biāo)題摘要是文本摘要的一個(gè)特例。您可以使用文本摘要訓(xùn)練組件進(jìn)行模型訓(xùn)練，生成新聞標(biāo)題，用來(lái)概括新聞的中心思想和重點(diǎn)信息。

機(jī)器閱讀理解訓(xùn)練

使用該組件訓(xùn)練機(jī)器閱讀理解模型，該模型針對(duì)給定的文檔及問(wèn)題，進(jìn)行快速理解與問(wèn)答。

Split Word

該組件基于AliWS（Alibaba Word Segmenter）詞法分析系統(tǒng)，對(duì)指定列的內(nèi)容進(jìn)行分詞，分詞后的各個(gè)詞語(yǔ)之間以空格分隔。

三元組轉(zhuǎn)kv

該組件用于將三元組表（row,col,value）轉(zhuǎn)換為kv表（row,[col_id:value]）。

字符串相似度

該組件是機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)基本操作，主要用于信息檢索、自然語(yǔ)言處理和生物信息學(xué)等領(lǐng)域。

字符串相似度-topN

該組件用于計(jì)算字符串相似度并篩選出最相似的Top N個(gè)數(shù)據(jù)。

停用詞過(guò)濾

該組件是文本分析中的一個(gè)預(yù)處理方法，用于過(guò)濾分詞結(jié)果中的噪聲（例如的、是或啊）。

ngram-count

該組件是語(yǔ)言模型訓(xùn)練其中一個(gè)步驟。在詞的基礎(chǔ)上生成n-gram，并統(tǒng)計(jì)在全部語(yǔ)料集上，對(duì)應(yīng)n-gram的個(gè)數(shù)。

文本摘要

該組件是文獻(xiàn)中簡(jiǎn)單連貫的短文，能夠全面準(zhǔn)確地反映該文獻(xiàn)的中心思想。自動(dòng)文摘利用計(jì)算機(jī)自動(dòng)從原始文獻(xiàn)中提取摘要內(nèi)容。

關(guān)鍵詞抽取

該組件是自然語(yǔ)言處理中的重要技術(shù)之一，具體是指從文本中將與這篇文章意義相關(guān)性較強(qiáng)的一些詞抽取出來(lái)。

句子拆分

將一段文本按標(biāo)點(diǎn)進(jìn)行句子拆分。該組件主要用于文本摘要前的預(yù)處理，將一段文本拆分成一句一行的形式。

語(yǔ)義向量距離

基于算法語(yǔ)義向量結(jié)果（如Word2Vec生成的詞向量），計(jì)算給定的詞（或者句子）的擴(kuò)展詞（或者擴(kuò)展句），即計(jì)算其中某一向量距離最近的向量集合。其中一個(gè)用法是，基于Word2Vec生成的詞向量結(jié)果，根據(jù)輸入的詞返回最為相似的詞列表。

Doc2Vec

您可以通過(guò)Doc2Vec算法組件將文章映射為向量。輸入為詞匯表，輸出為文檔向量表、詞向量表或詞匯表。

條件隨機(jī)場(chǎng)

條件隨機(jī)場(chǎng)CRF（conditional random field）是給定一組輸入隨機(jī)變量條件下，另一組輸出隨機(jī)變量條件的概率分布模型，其特點(diǎn)是假設(shè)輸出隨機(jī)變量構(gòu)成馬爾可夫隨機(jī)場(chǎng)。

文章相似度

文章相似度是在字符串相似度的基礎(chǔ)上，基于詞，計(jì)算兩兩文章或者句子之間的相似度。

PMI

該組件算法統(tǒng)計(jì)若干文章中所有詞的共現(xiàn)情況，計(jì)算兩兩之間的PMI（point mutual information）。

條件隨機(jī)場(chǎng)預(yù)測(cè)

該組件是基于linearCRF在線預(yù)測(cè)模型的算法組件，主要應(yīng)用于處理序列標(biāo)注問(wèn)題。

Split Word（生成模型）

該組件基于AliWS（Alibaba Word Segmenter）詞法分析系統(tǒng)，根據(jù)參數(shù)和自定義詞典生成分詞模型。

詞頻統(tǒng)計(jì)

該組件是指輸入一些字符串（手動(dòng)輸入或者從指定的文件讀?。贸绦騺?lái)統(tǒng)計(jì)這些字符串中總共有多少個(gè)單詞，每個(gè)單詞出現(xiàn)的次數(shù)。

TF-IDF

該組件是一種用于資訊檢索與文本挖掘的常用加權(quán)技術(shù)。通常在搜索引擎中應(yīng)用，可以作為文件與用戶查詢(xún)之間相關(guān)程度的度量或評(píng)級(jí)。

PLDA

在機(jī)器學(xué)習(xí)PAI平臺(tái)，您可以通過(guò)給PLDA組件設(shè)置topic參數(shù)值，從而讓每篇文檔抽象出不同主題。

Word2Vec

Word2Vec算法組件利用神經(jīng)網(wǎng)絡(luò)，通過(guò)訓(xùn)練，將詞映射為K維度空間向量，且支持對(duì)表示詞的向量進(jìn)行操作并和語(yǔ)義相對(duì)應(yīng)。輸入為單詞列或詞匯表，輸出為詞向量表和詞匯表。

網(wǎng)絡(luò)分析

樹(shù)深度

該組件能夠輸出每個(gè)節(jié)點(diǎn)的所處深度和樹(shù)ID。

k-Core

該組件用于在圖中找出符合指定核心度的緊密關(guān)聯(lián)的子圖結(jié)構(gòu)，節(jié)點(diǎn)核數(shù)的最大值被稱(chēng)為圖的核數(shù)。

單源最短路徑

該組件使用Dijkstra算法，給定起點(diǎn)，輸出該點(diǎn)和其他所有節(jié)點(diǎn)的最短路徑。

PageRank

該組件起源于網(wǎng)頁(yè)的搜索排序，即使用網(wǎng)頁(yè)的鏈接結(jié)構(gòu)計(jì)算每個(gè)網(wǎng)頁(yè)的等級(jí)排名。

標(biāo)簽傳播聚類(lèi)

該組件LPA（Label Propagation Algorithm）是基于圖的半監(jiān)督學(xué)習(xí)方法，其基本思路是節(jié)點(diǎn)的標(biāo)簽（community）依賴(lài)其相鄰節(jié)點(diǎn)的標(biāo)簽信息，影響程度由節(jié)點(diǎn)相似度決定，并通過(guò)傳播迭代更新達(dá)到穩(wěn)定。

標(biāo)簽傳播分類(lèi)

該組件為半監(jiān)督的分類(lèi)算法，原理為用已標(biāo)記節(jié)點(diǎn)的標(biāo)簽信息去預(yù)測(cè)未標(biāo)記節(jié)點(diǎn)的標(biāo)簽信息。

Modularity

該組件是一種評(píng)估社區(qū)網(wǎng)絡(luò)結(jié)構(gòu)的指標(biāo)，用來(lái)評(píng)估網(wǎng)絡(luò)結(jié)構(gòu)中劃分出來(lái)社區(qū)的緊密程度，通常0.3以上是比較明顯的社區(qū)結(jié)構(gòu)。

最大連通子圖

在無(wú)向圖G中，若從頂點(diǎn)A到頂點(diǎn)B有路徑相連，則稱(chēng)A和B是連通的。在圖G中存在若干子圖，如果其中每個(gè)子圖中所有頂點(diǎn)之間都是連通的，但在不同子圖間不存在頂點(diǎn)連通，那么稱(chēng)圖G的這些子圖為最大連通子圖。

點(diǎn)聚類(lèi)系數(shù)

該組件是在無(wú)向圖G中，計(jì)算每一個(gè)節(jié)點(diǎn)周?chē)某砻芏龋菭罹W(wǎng)絡(luò)稠密度為0，全聯(lián)通網(wǎng)絡(luò)稠密度為1。

邊聚類(lèi)系數(shù)

該組件算法是指在無(wú)向圖G中，計(jì)算每一條邊周?chē)某砻芏取?/p>

計(jì)數(shù)三角形

該組件是指在無(wú)向圖G中，輸出所有三角形。

金融板塊

數(shù)據(jù)轉(zhuǎn)換模塊

通過(guò)該組件您可以對(duì)數(shù)據(jù)進(jìn)行歸一化、離散化、Index化或WOE轉(zhuǎn)換。

評(píng)分卡訓(xùn)練

該組件是信用風(fēng)險(xiǎn)評(píng)估領(lǐng)域常用的建模工具，其原理是通過(guò)分箱輸入將原始變量離散化后再使用線性模型（邏輯回歸或線性回歸等）進(jìn)行模型訓(xùn)練，其中包含特征選擇及分?jǐn)?shù)轉(zhuǎn)換等功能。

評(píng)分卡預(yù)測(cè)

該組件是對(duì)原始數(shù)據(jù)根據(jù)評(píng)分卡訓(xùn)練組件產(chǎn)出的模型結(jié)果進(jìn)行預(yù)測(cè)打分。

分箱

該組件可以進(jìn)行特征離散化，即將連續(xù)的數(shù)據(jù)進(jìn)行分段，使其變?yōu)槎鄠€(gè)離散化區(qū)間。分箱組件支持等頻分箱、等寬分箱及自動(dòng)分箱。

樣本穩(wěn)定指數(shù)（PSI）

該組件是衡量樣本變化所產(chǎn)生的偏移量的一種重要指標(biāo)，通常用于衡量樣本的穩(wěn)定程度。

視覺(jué)算法

圖像分類(lèi)訓(xùn)練（torch）

如果您的業(yè)務(wù)場(chǎng)景涉及圖像分類(lèi)，則可以通過(guò)圖像分類(lèi)訓(xùn)練（torch）組件構(gòu)建圖像分類(lèi)模型，從而進(jìn)行模型推理。

視頻分類(lèi)訓(xùn)練

您可以使用視頻分類(lèi)訓(xùn)練算法組件對(duì)其進(jìn)行模型訓(xùn)練，從而獲得用于推理的視頻分類(lèi)模型。

圖像檢測(cè)訓(xùn)練（easycv）

通過(guò)該組件構(gòu)建目標(biāo)檢測(cè)模型，對(duì)圖像中的某些高風(fēng)險(xiǎn)實(shí)體進(jìn)行框選檢測(cè)。

圖像自監(jiān)督訓(xùn)練

您可以通過(guò)該組件將原始的尚未標(biāo)注的圖像直接進(jìn)行訓(xùn)練，從而獲得用于圖像特征提取的模型。

圖像度量學(xué)習(xí)訓(xùn)練（raw）

您通過(guò)該組件構(gòu)建度量學(xué)習(xí)模型，從而進(jìn)行模型推理。

圖像關(guān)鍵點(diǎn)訓(xùn)練

如果您的業(yè)務(wù)場(chǎng)景涉及人體相關(guān)的關(guān)鍵點(diǎn)檢測(cè)，則可以通過(guò)圖像關(guān)鍵點(diǎn)訓(xùn)練組件構(gòu)建關(guān)鍵點(diǎn)模型，從而進(jìn)行模型推理。

模型量化

該組件提供主流的模型量化算法，您可以使用模型量化對(duì)模型進(jìn)行壓縮提速，實(shí)現(xiàn)高性能推理。

模型剪枝

該組件提供主流的模型剪枝算法AGP（taylorfo），您可以使用模型剪枝對(duì)模型進(jìn)行壓縮提速，實(shí)現(xiàn)高性能推理。

工具

離線模型（OfflineModel）相關(guān)組件

該組件是存儲(chǔ)在MaxCompute中的一種數(shù)據(jù)結(jié)構(gòu)，基于PAICommand框架的傳統(tǒng)機(jī)器學(xué)習(xí)算法生成的模型會(huì)以離線模型格式存儲(chǔ)在對(duì)應(yīng)的MaxCompute項(xiàng)目中，您可以使用離線模型相關(guān)組件獲取離線模型做離線預(yù)測(cè)。

通用模型導(dǎo)出

您可以使用通用模型導(dǎo)出組件，將在MaxCompute中訓(xùn)練得到的模型導(dǎo)出到指定的OSS路徑。

自定義腳本

SQL腳本

該組件是自定義SQL組件，您可以通過(guò)SQL腳本編輯器編寫(xiě)SQL語(yǔ)句，并提交至MaxCompute執(zhí)行。

Python腳本

該組件定義安裝依賴(lài)包及運(yùn)行自定義的Python函數(shù)。

PyAlink腳本

該組件可以進(jìn)行調(diào)用Alink的分類(lèi)算法做分類(lèi)、 調(diào)用回歸算法做回歸、調(diào)用推薦算法做推薦等。PyAlink腳本也支持與其他Designer的算法組件無(wú)縫銜接， 完成業(yè)務(wù)鏈路的搭建及效果驗(yàn)證。

時(shí)間窗口SQL腳本

該組件在普通SQL腳本組件基礎(chǔ)上增加了多日期循環(huán)執(zhí)行功能，用于并行執(zhí)行某段時(shí)間內(nèi)天級(jí)別SQL任務(wù)。

Beta組件

Lasso回歸訓(xùn)練

該組件是一種壓縮估計(jì)算法。

Lasso回歸預(yù)測(cè)

該組件支持稀疏、稠密兩種數(shù)據(jù)格式。您可以使用該組件做一些數(shù)值型變量的預(yù)測(cè)，比如貸款額度預(yù)測(cè)、溫度預(yù)測(cè)等。

嶺回歸預(yù)測(cè)

該組件進(jìn)行做數(shù)值型變量的預(yù)測(cè)，包括房?jī)r(jià)預(yù)測(cè)、銷(xiāo)售量預(yù)測(cè)、濕度預(yù)測(cè)等。

嶺回歸訓(xùn)練

該組件是對(duì)不適定問(wèn)題進(jìn)行回歸分析時(shí)，最常用的正則化方法。