第4页，共140页。 显示 1,392 条结果 (0.111 秒)
手机-截图分享
。 画布区 编辑截图分享内容的区域。 编辑面板 铅笔 通过手指触摸屏幕进行涂写画画，可选择笔触大小、颜色。 文本 在空白处点击可添加一个文本控件，添加文本控件前可设置字体大小、颜色。 撤销 撤销之前的操作。 恢复 恢复前一次撤销的操作。 清空 清空所有的截图分享内容苹果手机报证书问题
（本文档仅供参考） 问题现象： 此服务器的证书无效，你可能正在连接到一个伪装成“119.253,52.47”的服务器，这会威胁到你的机密信息的安全。 image-2023-12-05-10-40-52-450.png https://blog.csdn.net/adorable_/article/details/116998050 https://blog.csdn.net/adorable_/article/details/116998050 尝试这个方案 还有就是通用-vpn与设备管理也已信任 今天第一次使用 已经添加了信任，还是不行。 image-2023-12-05-10-40-57-414.png 解决方移动端自适应布局下组件显示不全
（本文档仅供参考） 问题现象 自适应布局 -浮动组件 在编辑界面可以完全显示，但是在手机端浏览时无法完全显示。 自适应布局_20240131092729.png 问题原因 浮动组件是不会适应的，是固定的，组件宽度超过手机宽度时就出现显示不全的情况。 浮动一般是给小组件用的，所以针对不同屏幕的话最好够小 另外如果是自由布局，需要同时注意下图中两种情况：1.缩放方式为不缩放 2.组件有出界现象 出界或者不缩放_20240131091325.png电视机安装app在登录页无法输入
（本文档仅供参考） 问题现象 在小米电视上安装smartbi app，在登录主界面无法输入用户名密码，可以框选用户名密码区域，但是软键盘没法呼出，在服务器配置界面则可以进行输入。 image2024-6-30_23-52-49.pngimage2024-6-30_23-53-30.png 问题原因 目前针对不同的显示终端，将发布的主题分为电脑主题、平板主题、手机主题，分别针对PC、平板与手机。 目前暂不支持TV版，因此在TV下载app会存在兼容问题。 解决方案 可以将资源发布为电脑主题，通过电脑网页访问smartbi，投屏至TV实现TV上的报表展示。自适应方式
布局需遵循规则：从上到下，从左到右。切换布局也需遵循此规则进行自动调整。（如：平板/电脑布局切换到手机布局）。 … 概述说明 仪表盘支持两种自适应方式：高宽自适应和宽度自适应，可以根据需要选择合适的布局方式，快速地做出符合某个业务场景的仪表盘。 功能入口 页面工具栏-设置中设置“自适应方式”，定义仪表盘的布局。 如下图： A3.png 对比说明 两种布局方式显示效果以及使用场景对比如下： 效果 布局方式数据挖掘-多层感知机
概述 一种基于前馈人工神经网络的分类器。多层感知机由多层节点组成，每个层都完全连接到网络中的下一层，输入层中的节点表示输入数据。所有其他节点通过输入与节点权重w和偏移b的线性组合将输入映射到输出，并使用激活函数。 示例 使用“动物种类划分”案例数据，预测动物的种类。 image2020-8-11_9-53-40.png 参数设置 多层感知机的参数如下： 参数名称 值 说明 归一化 方法选择 正则化 详情请参考 归一化 https://wiki.smartbi.com.cn/pages/viewpage.action?pageId=51941896 介绍数据挖掘-多层感知机
概述 一种基于前馈人工神经网络的分类器。多层感知机由多层节点组成，每个层都完全连接到网络中的下一层，输入层中的节点表示输入数据。所有其他节点通过输入与节点权重w和偏移b的线性组合将输入映射到输出，并使用激活函数。 示例 使用“动物种类划分”案例数据，预测动物的种类。 image2020-8-11_9-53-40.png 参数设置 多层感知机的参数如下： 参数名称 值 说明 归一化 方法选择 正则化 详情请参考 归一化 https://wiki.smartbi.com.cn/pages/viewpage.action?pageId=51941896 介绍数据挖掘-支持向量机
概述 支持向量机，英文为Support Vector Machine，简称SVM。它是一种监督式学习的方法，它广泛的应用于统计分类分析中。支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面，分隔超平面使两个平行超平面的距离最大化。 支持向量机算法是以极大化类间间隔为目标，并以之作为最佳分类超平面，其中定义的类间间隔为两类样本到分类超平面的最小距离，通过引入松弛变量，使支持向量机能够解决类间重叠问题，并提高泛化能力。 它的主要优势为： 1）特征映射，有效区分。 2）约束性求优，更加准确区分类别。 示例 使用“银行信用贷款预测数据挖掘-支持向量机
概述 支持向量机，英文为Support Vector Machine，简称SVM。它是一种监督式学习的方法，它广泛的应用于统计分类分析中。支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面，分隔超平面使两个平行超平面的距离最大化。 支持向量机算法是以极大化类间间隔为目标，并以之作为最佳分类超平面，其中定义的类间间隔为两类样本到分类超平面的最小距离，通过引入松弛变量，使支持向量机能够解决类间重叠问题，并提高泛化能力。 它的主要优势为： 1）特征映射，有效区分。 2）约束性求优，更加准确区分类别。 示例 使用“银行信用贷款预测安全加固手册
界面或配置界面被暴力破解 详细加固方案可参考：常见安全问题加固方案汇总 按场景进行区分攻击防御的手段 场景分类 场景示例 风险 需求分类 必须加固措施 建议增强措施 加固方案 外网暴露环境 外网仅具备浏览报表权限，但因未实施内外网权限分离，且全国
