第34页，共190页。 显示 1,894 条结果 (0.058 秒)
银行客户精准营销
交流方式（分类：“移动电话”、“固定电话”） 9 month string 最后一个联系月份（分类："jan", "feb", "mar", ..., "nov", "dec"） 10 day_of_week string 最后联系的星期数（分类："mon … 模型训练 在变换节点的后面接入 特征选择 https://wiki.smartbi.com.cn/pages/viewpage.action?pageId=51941814 节点，特征列选择数据探索阶段分析出的字段，标签列选择yindex。然后接入 拆分 https://wiki.smartbi.com.cn时间计算-前期/同期示例
度量 时间层次：可以拖入具体的时间层次，比如年、年季、年月、年月日等 偏移数：必填，只能输入正整数，默认1；在行/列轴上，当前时间层次是【年】代表上一年；如果是【年季】,代表上一季度；如果是【年月】，则是上个月；如果是【年月日】则是上一天； 填2则代表上2年/年月...，依次类推。 填充了参数的效果如下,如果拖拽错了 … : 同期值仪表盘.png 2.1 前期系列 求前期表示求相对于当前时间粒度的前一周期的值。例如今天的前一天，这个月的前一个月对应的值都是前期值。 在维度拖入时间层次字段，且为年月日、年周、年月、年季度、年等，才可以使用。 1）维度中拖入[年月]，在行/列区拖入两个[合同金额]，对后一个[合同金额] 字段求[前期银行客户精准营销
交流方式（分类：“移动电话”、“固定电话”） 9 month string 最后一个联系月份（分类："jan", "feb", "mar", ..., "nov", "dec"） 10 day_of_week string 最后联系的星期数（分类："mon … 模型训练 在变换节点的后面接入 特征选择 https://wiki.smartbi.com.cn/pages/viewpage.action?pageId=51941814 节点，特征列选择数据探索阶段分析出的字段，标签列选择yindex。然后接入 拆分 https://wiki.smartbi.com.cn高效处理资源集成难题
Tomcat无法识别字符的问题之外，还可能或有参数过多请求头过长请求被拦截、请求中大量的特殊字符被网络安全策略拦截等各式各样的场景，那是否还有其他办法规避掉这些问题？ base64加密流程 （1）配置好需要加密的参数，这里以发回区域参数为例，如：[{"name":"发货区域", "value":"华北 … 场景中集成参数不会是一直固定的，所以在实际集成时，可以在html上预留好ifarme标签位置之后，使用js代码根据实际需要来动态创建标签，实际更符合业务需求。 参考示例页面：post.html （测试资源仅提供测试验证以及参考，实际的集成时请以实际场景为准） 二、令牌token单点登录 在Smartbi中使电子表格⬝ 循环扩展报表
image2022-2-4_13-40-53.png image2022-2-4_17-32-14.png 实现方法 纯表格循环扩展报表 定制内容 定制方法 效果 设置表格固定内容 1、单元格A1中输入“员工信息”，其样式：字体“ 黑体”，字号“11”，字体颜色“黑色”； 2、单元格输入相应的内容：A2输入 … 。 表格样式 1、单元格区域“A1: F1”的填充色：#66ABC5； 2、其它固定字段所在单元的填充色：#CFE3E7； 3、“员工信息”字体样式：字体“ 黑体”，字号“11”，字体颜色“白色”，居左显示； 4、其它单元格字体样式：字体“ 黑体加粗”，字号“9”，字体颜色“黑色”，居中显示； 3数据挖掘-梯度提升决策树
概述 梯度提升决策树原理是训练多棵CART分类树，每棵树建立是基于前一课树的残差，不断的迭代拟合前一课树的残差，通过损失函数的负梯度来拟合，直到残差达到最小。 示例 使用“银行零售客户流失”案例数据，包含17个特征列和1个二类的目标标签。需要对银行客户预测是否流失。通过数据预处理及模型训练，如下 … 设置 系统将对设置指定或范围内的参数值循环调参，匹配出最优的组合。 image2021-9-30_10-19-26.png 自动调参的方式分为两种： 指定值调参：指定一个固定的值进行自动调参。 范围调参：在指定的范围内进行自动调参。 设置项说明如下： 设置项 说明 拆分比例 将选择数据挖掘-逻辑回归
多分类问题，算法会输出一个多维逻辑回归模型。 示例 使用“银行零售客户流失”案例数据，包含17个特征列和1个二类的目标标签。需要对银行客户预测是否流失。通过数据预处理及模型训练，如下图： 图片30.png 其中，特征离散是将年龄、卡龄等数据离散化，是为了提高模型的准确度，提高运行速度。 逻辑 … 的组合。详情请参考 。 启用自动调参: 勾选该项，则系统自动调参数，不需要用户手工设置参数。 自动调参设置 系统将对设置指定或范围内的参数值循环调参，匹配出最优的组合。 image2021-9-30_10-15-58.png 自动调参的方式分为两种： 指定值调参：指定一个固定的值进行自动调电子表格⬝ 循环扩展报表
image2022-2-4_13-40-53.png image2022-2-4_17-32-14.png 实现方法 纯表格循环扩展报表 定制内容 定制方法 效果 设置表格固定内容 1、单元格A1中输入“员工信息”，其样式：字体“ 黑体”，字号“11”，字体颜色“黑色”； 2、单元格输入相应的内容：A2输入 … 。 表格样式 1、单元格区域“A1: F1”的填充色：#66ABC5； 2、其它固定字段所在单元的填充色：#CFE3E7； 3、“员工信息”字体样式：字体“ 黑体”，字号“11”，字体颜色“白色”，居左显示； 4、其它单元格字体样式：字体“ 黑体加粗”，字号“9”，字体颜色“黑色”，居中显示； 3数据挖掘-梯度提升决策树
概述 梯度提升决策树原理是训练多棵CART分类树，每棵树建立是基于前一课树的残差，不断的迭代拟合前一课树的残差，通过损失函数的负梯度来拟合，直到残差达到最小。 示例 使用“银行零售客户流失”案例数据，包含17个特征列和1个二类的目标标签。需要对银行客户预测是否流失。通过数据预处理及模型训练，如下 … 设置 系统将对设置指定或范围内的参数值循环调参，匹配出最优的组合。 image2021-9-30_10-19-26.png 自动调参的方式分为两种： 指定值调参：指定一个固定的值进行自动调参。 范围调参：在指定的范围内进行自动调参。 设置项说明如下： 设置项 说明 拆分比例 将选择数据挖掘-逻辑回归
多分类问题，算法会输出一个多维逻辑回归模型。 示例 使用“银行零售客户流失”案例数据，包含17个特征列和1个二类的目标标签。需要对银行客户预测是否流失。通过数据预处理及模型训练，如下图： 图片30.png 其中，特征离散是将年龄、卡龄等数据离散化，是为了提高模型的准确度，提高运行速度。 逻辑 … 的组合。详情请参考 。 启用自动调参: 勾选该项，则系统自动调参数，不需要用户手工设置参数。 自动调参设置 系统将对设置指定或范围内的参数值循环调参，匹配出最优的组合。 image2021-9-30_10-15-58.png 自动调参的方式分为两种： 指定值调参：指定一个固定的值进行自动调
