第10页，共561页。 显示 5,602 条结果 (0.13 秒)
通过原生sql数据集，查询sql预览时发现，字段的名称和排序不正常
。 zeroDateTimeBehavior=convertToNull 当数据库中存储的时间值为 "0000-00-00 00:00:00" 时，将其转换为 NULL。 useCursorFetch=true 启用游标抓取模式，适合处理大数据量查询结果。 defaultFetchSize=-2147483648 设置默认抓取 … （本文档仅供参考） 问题描述 数据库为selectdb数据库，通过原生sql数据集查询预览时，发现字段的排序和名称显示不正常。如下图 image2025-3-5_16-56-24.png 解决方案 此问题通常是由于链接字符串没有配置参数用于获取输出列的别名导致，经检查，用户使用的mysql驱动连接的数据基于oracle的自助数据集，新建计算字段，字段相加结果为空
是oracle数据库的逻辑，当两个数值字段A+B时，其中一个为空值时，计算结果也为空。如下： image2021-4-29_14-13-30.png oracle提供了对应的函数进行处理，如果需要显示正确的数据，需要使用函数判断空值，如果是空值则转换为0 oracle中对应的函数为 NVL(<需要判断为空值的字段>,<需要转换成什么值>) 因此可以使用NVA(C_DATA1,0)来进行转换。 如下： image2021-4-29_14-18-8.png 因此，只需要修改计算字段的表达式，增加上对应的函数判断即可。 image2021-4-29_14-20-31.png 预览数据如下数据模型错误用法
的数据是否应当被删除或替换为有效的数据。比如，如果产品编号4实际上是一个已停产的产品，考虑将其标记为"停售"状态而不是直接删除，以便保留历史销售数据的完整性。 2、 利用ETL进行数据清洗 数据处理：通过ETL对数据进行清洗。在数据加载到分析环境之前，先对其进行一系列的转换操作，如填充缺失值、标准化数据 … 还记得你第一次构建数据模型时的雄心壮志吗？想象着自己化身数据界的"神笔马良"，挥一挥鼠标，就能让杂乱无章的数据乖乖听话，变成一幅清晰明了的商业洞察图。 然而现实总是骨感的，当你兴致勃勃地开始搭建，却发现：维度表主键重复？事实表数据缺失？关联关系一团乱麻？…… 恭喜你，成功解锁了数据模型构建的"隐藏关卡"——踩坑之旅数据挖掘 – 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即席开放获取指定列数据接口
获取指定列数据接口 接口名称 位置：DetailedQueryImpl 名称：getFieldData 调用方式 作为前端js函数被调用 参数 参数名 必选 类型 说明 field 是 { uniqueId: string, // 唯一id，必填 … { distinct: false | true, // 去重 pagination: { // 分页 pageNum: number, // 页码，>0，默认1 pageSize: number // 页大小，>0，默认当前分页大小 } } options是取数配置, 若想获取所有数据数据挖掘-支持向量机
”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 … 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。 支持数据挖掘-支持向量机
”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 … 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。 支持数据挖掘-服务
在没有部署成服务时，需要“抽取”节点，部署成服务后必须要右键保存已经训练好的模型来替换抽取节点和“特征转换”、“标准化”等节点 部署方法 数据输入 服务输入中的数据支持“手工输入”和“选择节点数据”两种方式： image2020-3-8 19_4_13.png 手工输入：是手工输入json列数据。 选择节点数据 … 在进行机器学习实验的过程中，为了简化和加速模型的构建、训练和部署，使用自动化机器学习功能更快速地识别合适的算法并优化超参数。 服务工作流示例 服务工作流是将数据挖掘以服务的方式进行发布。 要求：输入层必须是“服务输入”节点，输出层必须是“服务输出”节点。 通过部署服务后，通常用于数据预测的应用。“服务输入【仪表盘】只显示最近某个时间范围内的数据
该宏示例在V10.5上验证通过 提示：本文档的示例代码仅适用于本文档中的示例报表/场景。若实际报表/场景与示例代码无法完全适配（如使用功能不一致，或多个宏代码冲突等），需根据实际需求开发代码。 1. 示例效果 1.1. 宏代码效果 显示离指定日期最近的一段时间范围内的数据。 1.2. 预期效果 只显示最近几个月的数据。 原始数据：不做任何修改 最近3个月：显示筛选器指定日期的 “2017年5月” 前 3 个月的数据 最近5个月：显示筛选器指定日期的 “2017年5月” 前 5 个月的数据 image2021-11-26_9-24-27.png 2. 操作步骤 步骤一：新建一个空白的仪表盘
