第100页，共579页。 显示 5,785 条结果 (0.644 秒)
数据挖掘-归一化
归一化是一种无量纲处理手段，使物理系数值的绝对值变成某种相对值关系。主要是为了数据处理方便提出来的，把数据映射到某个范围之内处理，更加便捷快速。 归一化实质是一种线性变换，线性变换有很多良好的性质，这些性质决定了对数据改变后不会造成“失效”，反而能提高数据的表现，这些性质是归一化/标准化的前提。比如有一个很重要的性质：线性变换不会改变原始数据的数值排序。 一般需要用到归一化的算法有：支持向量机、梯度提升决策树、逻辑回归、梯度提升回归树、线性回归、K均值、高斯混合模型。 归一化数据挖掘-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 … ”案例数据，共12个特征和1个二类的目标标签，需要预测是否贷款。通过数据预处理及模型训练，如下图： 图片26.png 其中，数据探索是为了解各变量之间的相关关系，方便之后数据分析中参数特征的设定；特征转换是为了将各变量中的类别型变量变换成数值型变量，类别型无法进入模型，转换后方便算法模型学习；特征离散是把连续特征分段数据模型-创建计算成员
计算成员是维度成员和度量的结合体，它通过绑定在普通维度上输出自定义成员字段，并且通过MDX表达返回数值结果。因此在报表应用时，计算成员必须结合度量字段才有数据意义。 如：我们的模型中有”区域-省份-城市“层级，”城市“层下只有具体的北京、深圳、上海、广州、成都等城市，此时我们可以基于这些成员创建一个叫”一线城市“的新成员做为维成员输出字段，该字段通过表达式实现将“北京”、“上海”、“深圳”这三个城市的数据求和。 演示示例 下面，我们详细说明如何创建这个名为“一线城市”的自定义成员： 1、在“成员”面板中单击image2021-5-14_19-3-56.png，在弹出的菜单选择 新建计算成员Java数据集字段支持分类
需求背景 项目中可能出现Java数据集字段比较多的情况，数量可能达到几百或几千个，这样在Java数据集对象定义界面中显示参数及结果集字段时，浏览器界面可能无法响应，另外新建Java数据集界面的资源树中显示太多的字段也不方便查找与使用。因此，需要Java数据集能够支持数据集字段按分类显示。 实现方案 在Java数据集的接口(smartbi.freequery.metadata.IJavaQueryData)中添加支持字段分类的相关接口，如下所示： /** * 返回分类资源 * * @param parentId * 父资源ID，当父ID为null则返回顶级分类资源 * @return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 … ”案例数据，共12个特征和1个二类的目标标签，需要预测是否贷款。通过数据预处理及模型训练，如下图： 图片26.png 其中，数据探索是为了解各变量之间的相关关系，方便之后数据分析中参数特征的设定；特征转换是为了将各变量中的类别型变量变换成数值型变量，类别型无法进入模型，转换后方便算法模型学习；特征离散是把连续特征分段数据挖掘-特征工程
特征工程指的是把原始数据转变为模型的训练数据的过程，它的目的就是获取更好的训练数据特征，使得机器学习模型逼近这个上限。特征工程中包括常见特征工程方法节点。 通过特征工程，能够最大限度地从原始数据中提取特征，以供算法和模型使用。 特征工程简介数据挖掘-特征工程
特征工程指的是把原始数据转变为模型的训练数据的过程，它的目的就是获取更好的训练数据特征，使得机器学习模型逼近这个上限。特征工程中包括常见特征工程方法节点。 通过特征工程，能够最大限度地从原始数据中提取特征，以供算法和模型使用。 特征工程简介如何向Smartbi中添加数据库驱动jar包—V7及以上，V9以下版本
（本文档仅供参考） 说明 在使用过程中，可能经常需要向Smartbi中添加数据库驱动jar，可以通过本文档中的方式添加此这类jar文件。 版本要求 V7.0.1及以上，V9以下版本可参考当前文档。 V9以上版本可参考wiki文档：如何向Smartbi中添加数据库驱动jar https … 查找扩展包中lib目录下的jar文件 如果smartbi中已内置对应的数据库驱动，则系统会使用内置的驱动进行数据源连接。若需要使用自行添加的驱动，则需要同时删除war包中内置的驱动文件。 添加驱动 添加jar数据挖掘-朴素贝叶斯
概述 一种基于概率网络的分类算法，它在朴素贝叶斯定理的基础上取消了关于各属性关于类标号条件独立的苛刻条件，通过各类的先验概率计算待分类样本的后验概率，得到测试样本属于各类别的概率。它对于解决复杂设备不确定性和关联性引起的故障有很大的优势。 示例 使用“城市功能区识别”案例数据，预测城市功能区为专营商业区还是 … 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。 模型类型 离散数据 根据特征数据的先验分布不同，可选择以下朴素贝叶斯算法： multinomial：多项式朴素贝叶斯，此选项为默认选项。 complement：补充朴素贝叶斯数据挖掘-朴素贝叶斯
概述 一种基于概率网络的分类算法，它在朴素贝叶斯定理的基础上取消了关于各属性关于类标号条件独立的苛刻条件，通过各类的先验概率计算待分类样本的后验概率，得到测试样本属于各类别的概率。它对于解决复杂设备不确定性和关联性引起的故障有很大的优势。 示例 使用“城市功能区识别”案例数据，预测城市功能区为专营商业区还是 … 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。 模型类型 离散数据 根据特征数据的先验分布不同，可选择以下朴素贝叶斯算法： multinomial：多项式朴素贝叶斯，此选项为默认选项。 complement：补充朴素贝叶斯
