第123页，共677页。 显示 6,766 条结果 (0.556 秒)
setFetchSize对各数据库的影响
概述 setFetchSize方法会提供一个数值给JDBC驱动，这个数值是当数据集对象需要读取更多行时，应该从数据库中获取的行数。使用JDBC的Fetch Size时需要综合考虑支持程度和具体业务系统等多种因素，但并不是所有数据库都支持FetchSize。 设置FetchSize情况 在数据量为百万级别的情况下，不同数据库设置不同的FetchSize，对时间变化百分比进行分析，如下图所示： 2021-07-28_16-14-32.png 结论如下： （1）设置FetchSize之后，DB2_V9、HANA、ORACLE和SHNENTONG这几个数据库在查询效率上均有较大的提高，特别是ORACLE和SHENTONG数据setFetchSize对各数据库的影响
概述 setFetchSize方法会提供一个数值给JDBC驱动，这个数值是当数据集对象需要读取更多行时，应该从数据库中获取的行数。使用JDBC的Fetch Size时需要综合考虑支持程度和具体业务系统等多种因素，但并不是所有数据库都支持FetchSize。 设置FetchSize情况 在数据量为百万级别的情况下，不同数据库设置不同的FetchSize，对时间变化百分比进行分析，如下图所示： 2021-07-28_16-14-32.png 结论如下： （1）设置FetchSize之后，DB2_V9、HANA、ORACLE和SHNENTONG这几个数据库在查询效率上均有较大的提高，特别是ORACLE和SHENTONG数据电子表格⬝ 分组报表（系统数据集）
报表简介 分组报表是以分组表结构展现数据的一类报表，单元格间的逻辑关系较之清单报表复杂。 作用：用于分组分级记录或查询数据。 适用场景：适用数据记录、查询的情况。 报表结构：分组报表主要由有“列头+分组区+数据区”和“行头+分组区+数据区”两种结构，如下图： image2019-6-25 10_59_0.png image2019-6-25 11_3_23 (1).png 示例效果 下表是最常见的一类分组报表： image2022-3-2_10-10-19.png 数据要求 定义如下数据模型进行分组报表定制。 image2022-3-2_10-7-7.png 分析定制 该表结构简洁，数据清晰，具体查询有哪些数据模型是使用了模型引擎1.0的逻辑
（本文档仅供参考） 问题描述： 因为存在版本更新需要将数据模型引擎1.0切换至模型引擎2.0，需要考虑影响兼容性问题，需要判断影响范围进行升级评估。需要知道有哪些模型及对应的报表可能会存在影响。并进行相关的调整和验证。 解决方案： 执行sql查询，可查询出模型已禁用了模型引擎2.0的数据模型。 执行sql: select * from tx_augmented_dataset where c_define like '%"useSmartCube":false%' image2025-5-6_21-45-52.png image2025-5-6_21-46-10.png⬝ 检查数据挖掘
部署完成数据挖掘服务后，检查数据挖掘可参考 测试数据挖掘及其组件 https://wiki.smartbi.com.cn/pages/viewpage.action?pageId=114990759 数据挖掘部署请参考 部署Smartbi数据挖掘引擎/SmartbiETL https://wiki.smartbi.com.cn/pages/viewpage.action?pageId=114990727检查数据挖掘
部署完成数据挖掘服务后，检查数据挖掘可参考 测试数据挖掘集群及其组件 数据挖掘部署请参考 部署Smartbi-Mining 数据挖掘 https://wiki.smartbi.com.cn/pages/viewpage.action?pageId=55840890数据挖掘 – LSH
该功能为V10.5版本功能。 概述 LSH（局部敏感哈希）是一种哈希算法，用于对高维数据进行快速最近邻查找。LSH把两个高相似度的数据以较高的概率映射成同一个哈希值，把两个相似度很低的数据以较低的概率映射成同一个哈希值。利用哈希过后的数据进行最近邻查找，能提高查找效率，减少耗时。 对于数据向量的相似度距离，LSH节点提供了两种距离度量：欧式距离和杰卡德距离。其中，欧式距离适用于绝大多数数据向量，而杰卡德距离适用于由0和1组成的向量（如，00101，10011等，非0的数值都会被视为1）。在文本分析问题中，可先使用词向量或TF-IDF把文本转换为数值型向量，再选用欧氏距离的LSH对向量进行哈希，哈希后的向量可用于相似数据挖掘 – LSH
该功能为V10.5版本功能。 概述 LSH（局部敏感哈希）是一种哈希算法，用于对高维数据进行快速最近邻查找。LSH把两个高相似度的数据以较高的概率映射成同一个哈希值，把两个相似度很低的数据以较低的概率映射成同一个哈希值。利用哈希过后的数据进行最近邻查找，能提高查找效率，减少耗时。 对于数据向量的相似度距离，LSH节点提供了两种距离度量：欧式距离和杰卡德距离。其中，欧式距离适用于绝大多数数据向量，而杰卡德距离适用于由0和1组成的向量（如，00101，10011等，非0的数值都会被视为1）。在文本分析问题中，可先使用词向量或TF-IDF把文本转换为数值型向量，再选用欧氏距离的LSH对向量进行哈希，哈希后的向量可用于相似数据挖掘-视频专区
一级分类 二级分类 视频/视频在线地址 内容说明 快速入门 快速入门视频 快速入门.mp4 快速构建数据挖掘实验，文档参考 快速入门 https://wiki.smartbi.com.cn/pages/viewpage.action?pageId=52627351 。 产品介绍 数据挖掘概述 https://bbs.smartbi.com.cn/plugin.php?id=it618_video:lesson&lid=290 https://bbs.smartbi.com.cn/plugin.php?id=it618_video:lesson&lid=290 数据挖掘的概念及Smartbi数据挖掘-视频专区
一级分类 二级分类 视频/视频在线地址 内容说明 快速入门 快速入门视频 快速入门.mp4 快速构建数据挖掘实验，文档参考 快速入门 https://wiki.smartbi.com.cn/pages/viewpage.action?pageId=52627351 。 产品介绍 数据挖掘概述 https://bbs.smartbi.com.cn/plugin.php?id=it618_video:lesson&lid=290 https://bbs.smartbi.com.cn/plugin.php?id=it618_video:lesson&lid=290 数据挖掘的概念及Smartbi
