第158页，共678页。 显示 6,773 条结果 (0.589 秒)
散点热力地图显示正常，染色地图无数据显示
（本文档仅供参考） 问题现象 散点地图、热力地图都能根据区域标识正常显示，但是染色地图显示不正常，具体的设置及效果如下： 地图数据： 01.png 地图区域设置： 02.png 图形设置： 03.png 染色地图显示结果： 04.png 散点地图显示结果： 05.png 解决方案 echart地图处理逻辑如下： 查看散点地图执行option，option中包含坐标，则会根据【地图设置】-【区域标识】的字段与【公共设置】-【地图区域】-【数据映射名称】对比 然后通过【公共设置】-【地图区域】-【区域名称】或者【公共设置】-【地图区域】-【中心点经度坐标】/【公共设置】-【地图数据挖掘 - 模型自学习和模型批量预测使用示例
模型自学习&批量预测 在数据挖掘实验中新建一个机器学习建模流程（可以使用数据挖掘案例快速建一个，如 银行信用贷款预测 案例），运行成功并保存实验（用于模型自学习）。 worddav2bd02f14e58367b01af5ef305f4de2f9.png 2. 右键点击图中的抽取、训练节点，把它们所对应的算法 … 的实验流程，新建第二个数据挖掘实验（也可以用同一个案例再次新建）。然后把图中抽取、训练节点换成第二步中对应的已训练模型。运行成功并保存模型（用于模型批量预测）。 worddavd20313006d5217d93bc9ce244450ae6c.png 点击实验下方面板的模型批量预测图标，弹出的窗口点击保存数据挖掘 - 模型自学习和模型批量预测使用示例
模型自学习&批量预测 在数据挖掘实验中新建一个机器学习建模流程（可以使用数据挖掘案例快速建一个，如 银行信用贷款预测 案例），运行成功并保存实验（用于模型自学习）。 worddav2bd02f14e58367b01af5ef305f4de2f9.png 2. 右键点击图中的抽取、训练节点，把它们所对应的算法 … 的实验流程，新建第二个数据挖掘实验（也可以用同一个案例再次新建）。然后把图中抽取、训练节点换成第二步中对应的已训练模型。运行成功并保存模型（用于模型批量预测）。 worddavd20313006d5217d93bc9ce244450ae6c.png 点击实验下方面板的模型批量预测图标，弹出的窗口点击保存数据挖掘-TF-IDF
概述 一种统计方法，TF意思是词频，IDF意思是逆文本频率指数，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。 TF-IDF值越高，说明该词越重要。 输入/输出 输入 没有输入端口 输出 一个输出端口，与抽取、变换节点组合使用。 参数设置 参数名称 说明 备注 特征项数 输入的数值n，代表算法最终会筛选出TF-IDF值最高的n个词 必填 示例 图片3.png 效果 使用“垃圾短信识别”数据，选择数据挖掘-评分卡构建
aValue，bValue是通过设置的参数计算后所得，用于评分卡模型输出时的计算公式。 注意事项 作为评分卡构建的输入，逻辑回归模型必须使用WOE编码后的数据进行训练，且该WOE编码模型应同样接入评分卡构建节点。数据挖掘-TF-IDF
概述 一种统计方法，TF意思是词频，IDF意思是逆文本频率指数，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。 TF-IDF值越高，说明该词越重要。 输入/输出 输入 没有输入端口 输出 一个输出端口，与抽取、变换节点组合使用。 参数设置 参数名称 说明 备注 特征项数 输入的数值n，代表算法最终会筛选出TF-IDF值最高的n个词 必填 示例 图片3.png 效果 使用“垃圾短信识别”数据，选择数据挖掘-评分卡构建
aValue，bValue是通过设置的参数计算后所得，用于评分卡模型输出时的计算公式。 注意事项 作为评分卡构建的输入，逻辑回归模型必须使用WOE编码后的数据进行训练，且该WOE编码模型应同样接入评分卡构建节点。数据挖掘-最优主题输出数
概述 最优主题输出数节点用于查看LDA模型训练后输出的主题数量和模型的困惑度(perplexity)，可以作为LDA模型表现的评估标准。 示例 使用文本数据，训练LDA模型后在“抽取”节点下接入“最优主题输出数”节点。 图片5.png 其输出结果如下： 图片6.png 其中k为LDA模型输出的主题数量，perplexity为LDA模型的困惑度。困惑度越低，模型效果越好。数据挖掘-最优主题输出数
概述 最优主题输出数节点用于查看LDA模型训练后输出的主题数量和模型的困惑度(perplexity)，可以作为LDA模型表现的评估标准。 示例 使用文本数据，训练LDA模型后在“抽取”节点下接入“最优主题输出数”节点。 图片5.png 其输出结果如下： 图片6.png 其中k为LDA模型输出的主题数量，perplexity为LDA模型的困惑度。困惑度越低，模型效果越好。原生SQL数据集参数不合并
（本文档仅供参考） 问题 原生SQL数据集中多处用到了同一个参数，预览界面里面显示了多个参数 image2022-4-25_14-31-6.png 解决方案 这是参数设置中没有勾选【输出合并】导致的，勾选【输出合并】即可将多个相同的参数合并显示为一个参数。 image2022-4-25_14-33-30.png image2022-4-25_14-34-3.png
