第128页，共677页。 显示 6,766 条结果 (0.459 秒)
Excel融合分析如何实现有系统数据+手工输入内容的报表
1. 背景 使用Excel融合分析我们可以对系统上的数据做到自助取数，但是有些时候我们还需要添加备注信息对数据进行说明。 2. 要求 自定义一个行列固定的报表，通过公式获取想要的数据，之后添加备注对数据情况进行描述。 image2020-8-24_14-23-5.png 3. 演示 本示例以系统数据集为例进行演示。 1、登录电子表格，数据集来源选择“系统数据集”。 2、拖拽所需字段到Excel融合分析中。 image2020-8-24_13-44-8.png 在Excel融合分析中： （1）如需显示旧资源数据集（系统数据集）可参考文档电子表格插件启用系统数据集 https回写-电子表格后，查询时保持原数据库表的小数位
问题描述： 客户创建的回写表，通过数据模型的方式，创建的查询数据，然后进行回写查询，发现数据回写没有问题，查询时，小数位只展示2位，如何展示数据库表一样的小数位？ image2024-7-30_14-48-15.png image2024-7-30_14-48-46.png 解决方案： 方案一：可以通过直接获取系统数据库表的字段进行查询，开启电子表格旧的数据集，系统选项-高级设置； image2024-7-30_14-52-20.png 方案二：如果是通过数据模型和sql方式进行查询，这时需要在电子表格中设置如下选项，清除选项即可： image2024-7-30_14-50-48.png 回写后显示所有小数位数据挖掘-正则化
概述 用于标准化输入数据，使每个向量具有单位范数；Normalizer需要输入参数p，指定标准化范数，默认值为2；该标准化方法可用于提升算法效果。 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，用于输出接收到的数据 … ，默认值为：2 示例 使用“鸢尾花数据”，选择4个特征列进行正则化处理，P范数为2，输出结果如下图： 图片15.png 正则化数据挖掘-特征选择
概述 特征选择的作用是从数据集中选取有用特征，用于分类预测或者回归预测算法的训练； 其中：标签列必选，但是只有分类回归预测算法才需要选择标签列，聚类训练时则不需要选择标签列。当与特征节点组合使用时则不需要选择标签列。 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，用于输出接收到的数据集。 参数设置 参数名称 说明 备注 选择特征列 用于选择做为特征列的字段 必填 选择标签列 用于选择做为标签列的字段 分类、回归算法必填、聚类算法及组合使用不需要选择 示例 特征选择中数据挖掘-特征选择
概述 特征选择的作用是从数据集中选取有用特征，用于分类预测或者回归预测算法的训练； 其中：标签列必选，但是只有分类回归预测算法才需要选择标签列，聚类训练时则不需要选择标签列。当与特征节点组合使用时则不需要选择标签列。 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，用于输出接收到的数据集。 参数设置 参数名称 说明 备注 选择特征列 用于选择做为特征列的字段 必填 选择标签列 用于选择做为标签列的字段 分类、回归算法必填、聚类算法及组合使用不需要选择 示例 特征选择中数据挖掘-正则化
概述 用于标准化输入数据，使每个向量具有单位范数；Normalizer需要输入参数p，指定标准化范数，默认值为2；该标准化方法可用于提升算法效果。 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，用于输出接收到的数据 … ，默认值为：2 示例 使用“鸢尾花数据”，选择4个特征列进行正则化处理，P范数为2，输出结果如下图： 图片15.png 正则化数据挖掘-相关性分析
概述 相关性分析是用来反映变量之间的相关关系的密切程度。相关系数的取值一般介于-1和1之间。当相关系数为正的时候，意味着变量之间是正相关的；当相关系数为负的时候，意味着变量之间是负相关。 相关性分析常用在数据探索阶段，当我们并不了解原始数据各字段之间的关系时，通过相关性分析，可以看到各个字段之间的相关性，其后进行的数据分析工作可以围绕这些相关性展开。 输入/输出 输入 一个输入端口，用于接收数据集。 输出 一个输出端口，用于输出相关系数的数据集。 参数设置 参数名称 说明 备注 选择列 用于选择进行相关性分析的字段列 必填数据挖掘-PCA(主成分分析)
概述 PCA（主成分分析）是统计学上一种常用的方法，主要用来对高维数据进行降维，通过对多个维度进行线性组合，获得较少且能够描述数据特征的主成分指标，减少由于数据维度过多带来的庞大计算量，降低算法的复杂度，使用最少数量的主成分来解释最大量的方差。因为它可减少变量数目以此避免多重共线性，适用于预测变量较多大于观测值数目的情况。 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，用于输出接收到的数据集。 参数设置 参数名称 说明 备注 选择特征列 用于设置待选择的特征列 必填（特征列中不能含有数据挖掘-PCA(主成分分析)
概述 PCA（主成分分析）是统计学上一种常用的方法，主要用来对高维数据进行降维，通过对多个维度进行线性组合，获得较少且能够描述数据特征的主成分指标，减少由于数据维度过多带来的庞大计算量，降低算法的复杂度，使用最少数量的主成分来解释最大量的方差。因为它可减少变量数目以此避免多重共线性，适用于预测变量较多大于观测值数目的情况。 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，用于输出接收到的数据集。 参数设置 参数名称 说明 备注 选择特征列 用于设置待选择的特征列 必填（特征列中不能含有数据挖掘-相关性分析
概述 相关性分析是用来反映变量之间的相关关系的密切程度。相关系数的取值一般介于-1和1之间。当相关系数为正的时候，意味着变量之间是正相关的；当相关系数为负的时候，意味着变量之间是负相关。 相关性分析常用在数据探索阶段，当我们并不了解原始数据各字段之间的关系时，通过相关性分析，可以看到各个字段之间的相关性，其后进行的数据分析工作可以围绕这些相关性展开。 输入/输出 输入 一个输入端口，用于接收数据集。 输出 一个输出端口，用于输出相关系数的数据集。 参数设置 参数名称 说明 备注 选择列 用于选择进行相关性分析的字段列 必填
