第119页，共677页。 显示 6,766 条结果 (0.48 秒)
数据挖掘-自动特征组合
等待），特征组合就是假设性别特征是女，时间维度双11，会发现这两个特征组合起来一定是非常强对用户预测是否买东西的组合特征。女性在双十一购买商品的概率非常高，这就是交叉后的非线性的组合特征，非线性的组合特征对数据挖掘非常关键。 输入/输出 输入 一个输入端口，用于接收前置节点传下来的数据集。 输出 一个输出端口，用于输出特征组合过后的数据集。 参数设置 参数名称 说明 备注 选择列 选择需要进行组合的特征列，必须是数值列。 必填 选择标签列 用于选择作为标签列的字段 类别数需小于100 选择方式 用于跳转 - 电子表格修改跳转规则代码，实现某列数据为空时，不允许跳转
（本文档仅供参考） 需求描述 电子表格中某字段设置了跳转规则，实现某列数据为空时，不允许跳转。而目前直接在跳转规则中写不等于null，其实是判断数据在数据库中字符串是否为4个字符的null字符串，而不是判断是否为空。 需求效果 效果.png 解决方案 可通过修改跳转规则中服务端宏代码实现。具体步骤如下： 1、设置值不等于null 步骤1.png 2、将服务端模块的代码修改如下（注意修改为对应的单元格） if (getCellValue(cell.getRelativeCells("E2"))!= '') { 步骤2.png 如果有两个条件，参考如下代码： 两个条件-步骤2.png 当值为空的时候无法正常显示数据，因为无法确定勾选字段之间的关系路径，它们可能不在同一个关系路径上
（本文档仅供参考） 问题说明 数据模型表关联关系如下，报表查询时报错“可能不在同一个关系路径上”。 image2025-6-28_11-24-40.png image2025-6-28_11-26-20.png 问题原因 在数据模型的表关系中，“基本”到“商品”存在两条路径，如下图所示，这样的关联方式会导致无法确定勾选字段之间应该走哪一条关系路径查询，需要对数据模型的表关系进行调整，“基本”到“商品”保留一条关系路径即可。 image2025-6-28_11-30-50.png 勾选的字段不在同一关系路径上Excel融合分析线上线下数据混合时数据量大，线下数据很卡该怎么办？
1. 背景 数据量太大，底层宽表超过1亿，没法加载到Excel中分析 PC端计算慢：Excel计算公式复杂，前端Excel打开至少需要20分钟 2. 解决方案 数据准备: 通过 透视分析 + SmartbiMpp 将数据初步汇总，1亿行 <= 30万 报表运算：支持个人Excel端运算，也支持在服务器（集群）运算 定时报表：后端自动刷出报表，导出不含公式的Excel文件 image2020-8-27_9-59-53.png 你还可以参考其他处理方式Excel融合分析线上线下数据混合时数据量大，线下数据很卡该怎么办？
1. 背景 数据量太大，底层宽表超过1亿，没法加载到Excel中分析 PC端计算慢：Excel计算公式复杂，前端Excel打开至少需要20分钟 2. 解决方案 数据准备: 通过 透视分析 + SmartbiMpp 将数据初步汇总，1亿行 <= 30万 报表运算：支持个人Excel端运算，也支持在服务器（集群）运算 定时报表：后端自动刷出报表，导出不含公式的Excel文件 image2020-8-27_9-59-53.png 你还可以参考其他处理方式Echarts图形-宏代码：标签 - 饼图如何设置数据标签显示名称，数值，百分比，并且数值保留两位小数，对百分比四舍五入
问题 饼图如何设置数据标签显示名称，数值，百分比，并且数值保留两位小数 image2019-12-2 10:14:4.png 解决方案 1、先设置图形的数据标签为【显示】： image2019-12-2 10:16:2.png 2、增加宏修改数据标签效果： 类型 对象 事件 ClientSide chart afterRenderer image2019-12-2 10:19:30.png function main(chartView) { var数据挖掘 - CBLOF
概述 CBLOF（Cluster-Based Local Outlier Factor，基于聚类的本地异常因子）是一个异常检测节点，原理是先用聚类算法把为数据分为K个簇，而后通过设定占比阈值和突降倍数阈值，把簇区分为大簇和小簇，聚类完成后，计算每个点到最邻近大簇的距离（邻近距离），邻近距离越大的数据点为异常数据的概率越大。 CBLOF算法适用于当没有已知正常的数据时，对所有输入的新数据进行异常值的辨别。 输入/输出 输入 一个输入端口，接收要异常检测的数据 输出 一个输出端口，用于输出检测后的结果 参数设置 参数名称 说明 备注 选择特征列数据挖掘 - CBLOF
概述 CBLOF（Cluster-Based Local Outlier Factor，基于聚类的本地异常因子）是一个异常检测节点，原理是先用聚类算法把为数据分为K个簇，而后通过设定占比阈值和突降倍数阈值，把簇区分为大簇和小簇，聚类完成后，计算每个点到最邻近大簇的距离（邻近距离），邻近距离越大的数据点为异常数据的概率越大。 CBLOF算法适用于当没有已知正常的数据时，对所有输入的新数据进行异常值的辨别。 输入/输出 输入 一个输入端口，接收要异常检测的数据 输出 一个输出端口，用于输出检测后的结果 参数设置 参数名称 说明 备注 选择特征列数据挖掘-标准化
概述 标准化数据使数据具有单位标准差归一化或平均数据中心化。 单位标准差归一化：将输入数据进行单位标准差归一化，使转换后的数据具有单位标准差； 平均数据中心化：将输入数据进行中心化，使转换后的数据均值为0。 如果某个特征的标准差为0，则该特征的返回结果也为0。 输入/输出 … 数据减去均值再除以标准差 勾选则将输出入据进行单位标准差归一化 平均数据中心化 数据减去均值 勾选则将数据进行中心化 示例 使用“鸢尾花数据”，特征选择4个特征列，勾选单位标准差归一化，输出结果如下图： image2020-6-4 10_7_49.png 标准化数据挖掘-标准化
概述 标准化数据使数据具有单位标准差归一化或平均数据中心化。 单位标准差归一化：将输入数据进行单位标准差归一化，使转换后的数据具有单位标准差； 平均数据中心化：将输入数据进行中心化，使转换后的数据均值为0。 如果某个特征的标准差为0，则该特征的返回结果也为0。 输入/输出 … 数据减去均值再除以标准差 勾选则将输出入据进行单位标准差归一化 平均数据中心化 数据减去均值 勾选则将数据进行中心化 示例 使用“鸢尾花数据”，特征选择4个特征列，勾选单位标准差归一化，输出结果如下图： image2020-6-4 10_7_49.png 标准化
