-
响应参数 状态码： 200 表5 响应Body参数 参数 参数类型 描述 result Object 预测结果信息。 pred_proba Array 预测结果对应的置信度，每条结果为一个Dict，Dict的键值对分别表示预测结果、置信度。 说明：请求字段predict_proba配置为true时，响应body才返回pred_proba子项，否则无该子项。 状态码： 400 表6 响应Body参数 参数 参数类型 描述 error_code String 错误码。 error_msg String 错误信息
-
响应示例 {
"result": [
"0",
"1",
...
"0"
],
"pred_proba": [
{
“0”: 0.791,
“1”: 0.209
},
{
“0”: 0.103,
“1”: 0.897
},
...
{
“0”: 0.665,
“1”: 0.335
},
]
}
-
请求示例 {
"data": [
{
"feature_1": xx,
"feature_2": xx,
...
"feature_n": xx
},
...
{
"feature_1": xx,
"feature_2": xx,
...
"feature_n": xx
}
]，
"predict_proba": true
}
-
请求参数 使用Token认证方式的请求Header参数见表2。 表2 请求Header参数（Token认证） 参数 是否必选 参数类型 描述 X-Auth-Token 是 String 用户Token。 用于获取操作API的权限。
获取Token 接口响应消息头中X-Subject-Token的值即为Token。 Content-Type 是 String 发送的实体的MIME类型，参数值为“application/json”。 使用API Key认证方式的请求Header参数见表3。 表3 请求Header参数（API Key认证） 参数 是否必选 参数类型 描述 X-Apig-AppCode 是 String API Key值。 用于获取操作API的权限。API Key认证响应消息头中X-Apig-AppCode的值即为API Key。 Content-Type 是 String 发送的实体的MIME类型，参数值为“application/json”。 表4 请求Body参数 参数 是否必选 参数类型 描述 data 是 Array 参数解释： 待进行预测的数据，data为一个数组，数组中包含多个对象，每个对象是一组完整的特征数据。 约束限制： 待预测特征名需要与训练数据中的特征名保持一致。例如，训练数据中特征列按照feature_1、feature_2……进行命名，在调用推理接口时，特征名也需要保持相同。同时推理接口中特征数量需要与训练数据中的特征数保持一致。一组特征数据填写完成后再填写剩余待预测数据，格式详见请求示例。 取值范围： 输入数据中的一组数据。 默认取值： 预测大模型在训练完成后，可以在训练日志页面，“模型训练”日志节点中获取推理api所用的示例数据。填写请求Body时可以参考该示例填写。 predict_proba 否 boolean 参数解释： 是否输出置信度 约束限制： 无 取值范围： true或false 默认取值： 非必填项，默认false。
-
URI POST /v1/{project_id}/infer-api/proxy/service/{deployment_id}/perm-feat-importance 获取URI方式请参见请求URI。 表1 推理接口路径参数 参数 是否必选 参数类型 描述 project_id 是 String 项目ID，获取方法请参见获取项目ID。 deployment_id 是 String 模型的部署ID，获取方法请参见获取模型部署ID。
-
请求示例 {
"data": [
{
"feature_1": xx,
"feature_2": xx,
...
"feature_n": xx,
"target": 0,
},
...
{
"feature_1": xx,
"feature_2": xx,
...
"feature_n": xx,
"target": 1
}
],
"fi_args":{
"num_shuffle_sets": 1,
"sample_num": 1000
}
} 此处data列表的长度至少为1000，建议通过以下代码根据csv文件生成请求体（DATA_NUM为从csv文件中采样数据的数量）： import random
import json
import pandas as pd
ENCODING_TYPE = "utf-8"
DATA_NUM = 1200
data_path = "path/to/xxx.csv"
df = pd.read_csv(data_path, encoding=ENCODING_TYPE)
data_list = df.to_dict("records")
data_list = random.sample(data_list, DATA_NUM)
request_data = {
"data": data_list,
"fi_args": {
"num_shuffle_sets": 1,
"sample_num": 1000,
}
}
request_str = json.dumps(request_data)
print(request_str)
-
URI POST /v1/{project_id}/infer-api/proxy/service/{deployment_id}/perm-feat-importance 获取URI方式请参见请求URI。 表1 推理接口路径参数 参数 是否必选 参数类型 描述 project_id 是 String 项目ID，获取方法请参见获取项目ID。 deployment_id 是 String 模型的部署ID，获取方法请参见获取模型部署ID。
-
请求示例 {
"data": [
{
"feature_1": xx,
"feature_2": xx,
...
"feature_n": xx,
"target": 0,
},
...
{
"feature_1": xx,
"feature_2": xx,
...
"feature_n": xx,
"target": 1
}
],
"fi_args":{
"num_shuffle_sets": 1,
"sample_num": 1000
}
} 此处data列表的长度至少为1000，建议通过以下代码根据csv文件生成请求体（DATA_NUM为从csv文件中采样数据的数量）： import random
import json
import pandas as pd
ENCODING_TYPE = "utf-8"
DATA_NUM = 1200
data_path = "path/to/xxx.csv"
df = pd.read_csv(data_path, encoding=ENCODING_TYPE)
data_list = df.to_dict("records")
data_list = random.sample(data_list, DATA_NUM)
request_data = {
"data": data_list,
"fi_args": {
"num_shuffle_sets": 1,
"sample_num": 1000,
}
}
request_str = json.dumps(request_data)
print(request_str)
