參數(shù)名

參數(shù)描述

是否必填

輸入數(shù)據(jù)類型

數(shù)據(jù)源類型

特征變量

用于建立訓練模型的特征變量。

是

整數(shù)或浮點數(shù)

（說明：若存在非數(shù)值數(shù)據(jù)，則會拋出異常）

• CSV組件。

• IgateOffline組件。

• 平臺上其他數(shù)據(jù)處理組件。

• 按照平臺規(guī)范開發(fā)的自定義組件。

參數(shù)名

參數(shù)描述

是否必填

參數(shù)默認值

參數(shù)范圍

識別方式

工況識別的方式。智能：算法將根據(jù)數(shù)據(jù)情況自動選擇合適的方法進行工況類別識別；自定義：需要用戶自行選擇具體的降維、聚類等方法進行工況類別識別。

是

智能

• 智能

• 自定義

參數(shù)名

參數(shù)描述

是否必填

參數(shù)默認值

參數(shù)范圍

是否降維

選擇是否對數(shù)據(jù)做降維處理。

否

是

• 是

• 否

聚類方法

選擇具體的聚類算法。

否

k均值聚類

• k均值聚類

• 均值漂移聚類

• 高斯混合聚類

參數(shù)名

參數(shù)描述

是否必填

參數(shù)默認值

參數(shù)范圍

降維方法

選擇具體的降維算法。

否

主成分分析

• 主成分分析

• 慢特征分析

• 局部投影保留

保留維度

降維后的特征維度數(shù)量。默認為0，算法會自動尋找最佳保留維度。需要同時小于等于樣本數(shù)和特征變量個數(shù)。

否

0

[0,99999999]

參數(shù)名

參數(shù)描述

是否必填

參數(shù)默認值

參數(shù)范圍

是否批量

數(shù)據(jù)量多時可采用批量處理，可以提升處理速度。

否

否

• 是

• 否

參數(shù)名

參數(shù)描述

是否必填

參數(shù)默認值

參數(shù)范圍

批量大小

批量處理的數(shù)據(jù)量大小。即用來跑Mini Batch KMeans算法的采樣集的大小，默認是100。如果發(fā)現(xiàn)數(shù)據(jù)集的類別較多或者噪音點較多，需要增加這個值以達到較好的聚類效果。

否

100

[10,99999999]

小批量控制

根據(jù)不會對平滑慣性產生改進的連續(xù)小批量控制提前停止。即連續(xù)多少個Mini Batch沒有改善聚類效果的話，就停止算法， 和最大迭代次數(shù)一樣是為了控制算法運行時間的。默認是10，一般用默認值就足夠了。

否

10

[1,100]

參數(shù)名

參數(shù)描述

是否必填

參數(shù)默認值

參數(shù)范圍

聚類數(shù)下限

聚類類別數(shù)量下限。用于尋找最優(yōu)聚類類別數(shù)。

否

2

[2,15]

聚類數(shù)上限

聚類類別數(shù)量上限。用于尋找最優(yōu)聚類類別數(shù)。

否

5

[2,15]

參數(shù)名

參數(shù)描述

是否必填

參數(shù)默認值

參數(shù)范圍

最大迭代次數(shù)

單次運行的聚類算法的最大迭代次數(shù)。

否

300

[10,1000]

參數(shù)名

參數(shù)描述

是否必填

參數(shù)默認值

參數(shù)范圍

算法加速

指定最少的種子數(shù)目。為了加速算法，只接受那些至少有min_bin_freq 點的 bin 作為種子。

否

1

[1,100]

參數(shù)名

參數(shù)描述

模型結果

查看模型結果或發(fā)布模型。展示的結果包括工況數(shù)以及工況識別效果。其中“CH分數(shù)（即Calinski-Harabasz指標）”和“輪廓系數(shù)”反映工況識別效果，值越大，說明識別效果越好，輪廓系數(shù)取值范圍為[-1,1]。