跳到主要内容

功能介绍

企业机器学习项目涉及海量动态资产（数据版本、特征工程、模型参数等），传统管理方式依赖人工记录实验、分散部署脚本和手动性能监控，导致流程割裂、实验难复现、响应延迟等问题，显著拖慢模型交付速度并影响生产稳定性。为解决这一瓶颈，MLOps（机器学习运维）通过构建自动化流水线框架，统一管理从数据准备到模型监控的全生命周期。结合持续集成/持续部署（CI/CD）和容器化技术，MLOps实现了实验可追溯、一键式部署及实时漂移检测，大幅提升模型生产化效率与系统可靠性，推动AI从实验室原型转化为可持续释放业务价值的核心引擎。

异常检测模型训练​

第一步：数据集​

新增数据集​

在数据集界面，点击“新增”，填写名称，简介，新增数据集。 Ml功能介绍1.png

点击新增的数据集，进入数据集详情 Ml功能介绍2.png Ml功能介绍3.png

上传数据集文件​

点击上传，即可上传数据集文件。（应上传csv格式的文件，其中有模板可供下载。需要选择数据集类型，分为训练集，验证集，测试集三种。）

  • 训练集 —— 用于模型拟合的数据样本。在训练过程中对训练误差进行梯度下降，进行学习，可训练的权重参数。
  • 验证集 —— 是模型训练过程中单独留出的样本集，它可以用于调整模型的超参数和用于对模型的能力进行初步评估。
  • 测试集 —— 用来评估模最终模型的泛化能力。但不能作为调参、选择特征等算法相关的选择的依据。 Ml功能介绍4.png

标注数据集​

在数据集详情中点击标注，即可标注数据集中的异常点。也可以点击编辑，进行文件类型的切换。 Ml功能介绍5.png Ml功能介绍6.png

基础操作​

在图中点击某个具体的点，再点击保存后即可将其标注为异常点。

如图，当光标悬浮于某一点上，即可展示那一点的时间和具体的值。也可以在点击具体的点后在右边的表格中进行查看，或进行删除操作。 Ml功能介绍7.png

导航栏的伸缩​

导航栏的伸缩：点击左下角的按键后即可实现导航栏的伸缩。

  • 导航栏的展开：用户可以看到数据集下所有的文件，点击后即可实现文件间的快捷切换。
  • 导航栏的关闭：用户可以在标注时将导航栏关闭，关闭后用户将拥有更大的空间进行数据集的标注。 Ml功能介绍8.png Ml功能介绍9.png
快捷标注方式​

快捷标注方式：直接在图中进行一段时间的拉取，即可快速把选取的这段时间中的所有点都标注为异常点。 Ml功能介绍10.png

第二步：训练任务​

添加训练任务​

添加训练任务，填入名称，选择训练算法，可进行超参数调优，选择最大训练轮次，训练文件。 Ml功能介绍11.png

进行任务训练​

添加成功后在训练任务中会有相对应的训练任务，可进行训练，详情查看，编辑，删除操作。点击训练后开始训练模型。 Ml功能介绍12.png

状态查看​

开始训练后，可在状态中查看是否在进行中或者是已完成 Ml功能介绍13.png

第三步：能力发布​

模型发布​

添加模型发布：点击模型发布，输入能力名称，选择训练任务，填写模型介绍

发布上线：打开开关，即可将模型发布上线

其他能力介绍​

算法​

RandomForest随机森林​

随机森林算法是一种由多棵决策树组成的集成算法，通过对多个决策树的结果进行投票来做出分类决策。它广泛应用于分类和回归问题中，具有出色的性能和灵活性。

超参数含义
n_estimators决策树个数
max_depth决策树最大深度
min_samples_split最小分离样本数（即拆分决策树节点所需的最小样本数）
min_samples_leaf最小叶子节点样本数（即一个叶节点所需包含的最小样本数）
max_features最大分离特征数（即寻找最佳节点分割时要考虑的特征变量数量）
bootstrap是否进行随机抽样
class_weight每个类的权重