第109页，共343页。 显示 3,427 条结果 (0.043 秒)
东方通8.0部署smartbiproxy
。 image2025-3-27_12-40-23.png 访问smartbiproxy 在应用列表，点击应用右边的链接，则可以访问smartbiproxy。 image2025-3-27_12-41-0.png 可以根据项目实际的ip地址选择对应的访问URL。 访问的url后面要加上proxy，才能正常访问proxy的控制台东方通8.0部署smartbiproxy
。 image2025-3-27_12-40-23.png 访问smartbiproxy 在应用列表，点击应用右边的链接，则可以访问smartbiproxy。 image2025-3-27_12-41-0.png 可以根据项目实际的ip地址选择对应的访问URL。 访问的url后面要加上proxy，才能正常访问proxy的控制台java调用jdbc驱动测试-insert、update和delete语句
=76679434）中的步骤1。 2022-12-21_145815.png 5、提交并查看测试结果 5.1、放入需要测试的SQL到jsp中 点击提交后即可查看到该SQL执行的结果及耗时。 如果sql执行成功，“更新结果=”后会跟一个数值代表影响的行数，该数值大于等于0。 一般insert语句成功执行了 =后面就是1平铺勾选面板
与下拉框参数一样。 image2019-8-22 12:24:8.png 参数宽度：设置整个参数面板的宽度。当参数宽度大于所有列的字符宽度时，会平均分配列宽并自动增加空白；当参数宽度小于所有列的字符宽度时，参数备选值字符将换行显示。 列数：参数面板每行放置几个参数备选值。 举例：如一共有7个参数备选值，设置列数为2则每行2个备选值，共四行。若最后一行不满2个，则靠前对齐。如下图： image2021-8-26_21-12-3.png 如果设置为3则每行显示3个备选值，共 3行。若最后一行不满3个，则靠前对齐。如下图： image2021-8-26_21-12-28.png 列表自适应：忽略“参数宽度”的设置，每列平铺勾选面板
与下拉框参数一样。 image2019-8-22 12:24:8.png 参数宽度：设置整个参数面板的宽度。当参数宽度大于所有列的字符宽度时，会平均分配列宽并自动增加空白；当参数宽度小于所有列的字符宽度时，参数备选值字符将换行显示。 列数：参数面板每行放置几个参数备选值。 举例：如一共有7个参数备选值，设置列数为2则每行2个备选值，共四行。若最后一行不满2个，则靠前对齐。如下图： image2021-8-26_21-12-3.png 如果设置为3则每行显示3个备选值，共 3行。若最后一行不满3个，则靠前对齐。如下图： image2021-8-26_21-12-28.png 列表自适应：忽略“参数宽度”的设置，每列可视化中如何查看某个度量或指标有哪些维度
时，可勾选“仅展示与所选度量有关联的维度”，查看已选指标与哪些维度有关系，如果是多个指标，会显示共享维度，也就是F1指标有D1、D2维度、F2指标有D1、D3维度，选中了F1和F2，勾选此选项维度区只会显示D1维度。 image2024-12-18_15-35-7.png 同样，选择维度后，也可勾选“仅展示与所选维度有关联的度量”，查看已选维度有哪些指标或度量，如果是多个维度，会显示交集指标，如D1维度有F1、F3指标，D2维度有F2、F3指标，D1和D2都选了话，就会显示F3指标。 image2024-12-18_15-37-35.png 也可查看原帮助文档：交互式仪表盘 ⬝ 选择及处理数据中的维度和度量关联筛选选项图表组件 ⬝ 漏斗图
1 概述 漏斗图开始于一个100%的数量，结束于一个较小的数量。在开始和结束之间由N个流程环节组成。每个环节用一个梯形来表示： 梯形的上底宽度表示当前环节的输入情况； 梯形的下底宽度表示当前环节的输出情况； 上底与下底之间的差值形象的表现了在当前环节业务的减少量； 如果上下底之间的宽度近似，表示该环节的转化率高； 如果上下底之间的宽度一下子减小了很多，表示转化率低； 漏斗图有多种不同形态的类型可供切换，包括：漏斗图、升序漏斗图、左降序漏斗图、右降序漏斗图、左升序漏斗图、右升序漏斗图。 2 业务场景 说明：漏斗图、升序漏斗图、左降序漏斗图、右降序漏斗图、左升序漏斗图和右升序漏斗图六种图的画法一致，只是展现方式数据挖掘-自助机器学习
参数名称 说明 备注 特征选择 选择需要的特征列，必须是数值列 必填（特征列中不能含有null） 标签列选择 选择做为标签列的字段 必填 输出的特征数 从待选择的特征列中输出特征列的数量 默认值为1,范围是[1,已选择特征的数量]的整数 示例 使用AutoML快速创建分类算法数据挖掘-孤立森林
概述 孤立森林是一个异常检测算法节点，需要配合特征选择、训练、预测节点使用（异常检测算法为无监督学习，不需要评估节点）。孤立森林对正常数据进行采样，训练时随机生成决策树对数据进行划分。在预测未知数据时，决策树划分出某单个数据点需要的划分次数越少，对应的异常分数越高，该数据点为异常数据的概率越大。 孤立森林适用于用已知为正常的数据作为训练数据，然后对未知的新数据作预测，检测新数据中的异常数据。 参数设置 参数名称 说明 备注 树的个数 生成的决策树的数量 树的数量，整数 子采样集大小 生成每个决策树时用的子数据集的大小 整数，推荐用2的n次幂 异常值阈值关于
）。 在线用户数 登录用户所产生的session会话。 报表数 支持的报表数量。 移动设备数 支持的移动设备数量。 并发数：同一时间向服务器发起的请求数。 服务版本 服务版本页面包含各个服务组件的版本信息，以及各个服务组件与服务器版本匹配检测结果。 fuwubanben.png
