第240页，共365页。 显示 3,643 条结果 (0.045 秒)
【仪表盘】设置筛选器的值
image2021-9-14_18-2-38.png 步骤四：在界面新建宏，弹出的新建模块对话框中输入名称，勾选对象为组件，事件为“onBeforeRender（组件渲染前）” image2021-9-14_18-4-16.png 步骤五：编写宏代码实现效果 示例主要使用的是 IFilterPortlet即席查询跳转-传值给仪表盘资源
跳转规则名称。接着选择”点击对象“为”表格“，选择”源资源链接字段“为“年份”。 image2021-12-9_10-26-5.png 6. 点击 下一步，进入”跳转规则设置区“的第二步，选择目标资源为先前创建的仪表盘资源，选择参数来源为”<字段真实值>年份数据集抽取
“数据集抽取”界面记录数据集抽取的信息，包括执行时间，状态及操作等。 “数据集抽取”界面如下图所示： image2021-7-16_14-13-15.png 该界面主要分为如下三个区： 搜索栏：用于通过数据集名称模糊匹配获取抽取信息列表。 状态栏：显示抽取各种状态的数据结果，以及过滤“列表区”的数据列表，包含：全部、完成、处理中、失败、初始。 各状态说明如下： 状态 说明 完成 表示已经成功完成抽取。 处理中 表示正在抽取中。 失败 表示抽取失败。 初始 表示有抽取计划，但是还未抽取。 列表区：以列表的形式默认显示所有数据集的抽取信息。 该列表的“操作栏扩展设置-规则校验类
示例效果 导入的Excel数据包含三列：发生日期、借方余额和贷方余额。需要实现规则校验类，判断借方余额和贷方余额是否相等，若不相等，则校验不通过，产生提示信息。 导入数据： image2019-8-8 15:21:5.png 实现步骤 1、参考插件开发指南和 Excel数据导入完整教程 中的演示绑定自定义java类的导入模板，实现该类，并编译生成扩展包。 2、参考扩展包部署，部署该扩展包。 3、新建Excel导入模板，进行基本设置及列设置。 image2021-6-2_18-21-30.png image2021-6-2_18-21-37.png 4、切换到“扩展设置”，输入实现的规则校验类名称多维分析数据权限—多维分析参数
此示例实现多维分析参数根据当前成员数据权限，动态获取权限内的成员。示例具体说明如下： 1、数据权限设置。 我们针对商店维设置数据权限，设置成员别名和用户组名称关联。如下图： 458.png 2、用户所属组设置。 test用户属于用户组广州下，如图： 459.png 3、参数设置 当参数设置其备选值和默认值都是"中国"时，"广州"不在备选值和默认值之内。如下图： 460.png 则使用管理员浏览报表商店参数正常；使用test用户登录浏览报表，商店参数因为找不到"广州"成员而显示为NULL。 image2019-11-19 14:33:10.png image2019-11-19 14:34:4.png多维分析数据权限—自定义命名集
示例说明 比如用户组的机构层次为华南—广州。其中华南组下的用户为hn；广州组下的用户为test。 449.png 我们希望使用管理员用户登录，在行区看到管理员顶层成员"中国"的子成员。 多维分析数据权限—自定义命名集1.png 华南的用户登录进来，可以在看到华南下所有子成员。 多维分析数据权限—自定义命名集2.png 而使用广州用户登录进来只能看到广州用户的子成员。 多维分析数据权限—自定义命名集3.png 实现上面需求，我们需要创建自定义命名集，并在其中应用函数GetUserAccessibleMembers()。具体实现步骤如下： 1、数据权限设置。 我们针对商店维设置数据权限，设置成员别名和用户组名称数据挖掘 - 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-孤立森林
概述 孤立森林是一个异常检测算法节点，需要配合特征选择、训练、预测节点使用（异常检测算法为无监督学习，不需要评估节点）。孤立森林对正常数据进行采样，训练时随机生成决策树对数据进行划分。在预测未知数据时，决策树划分出某单个数据点需要的划分次数越少，对应的异常分数越高，该数据点为异常数据的概率越大。 孤立森林适用于用已知为正常的数据作为训练数据，然后对未知的新数据作预测，检测新数据中的异常数据。 参数设置 参数名称 说明 备注 树的个数 生成的决策树的数量 树的数量，整数 子采样集大小 生成每个决策树时用的子数据集的大小 整数，推荐用2的n次幂 异常值阈值数据挖掘-高维数据可视化
概述 将数据用图形展示（散点图/平行坐标图），实现对数据或结果可视化分析。 散点图常用在因变量随自变量而变化的趋势，进而找到变量之间的函数关系。 平行坐标图常用在反映变化趋势和各个变量间相互关系，它具有良好的数学基础，其射影几何解释和对偶特性使它很适合用于可视化数据分析。 输入/输出 输入 一个输入端口，用于接收数据集。 输出 没有输出端口，允许可视化查看分析结果。 参数设置 参数名称 说明 备注 选择列 用于选择需要绘制图形的字段列 必填 采样比例 用于对输入数据按比例进行抽样，抽样结果用于绘图数据挖掘-PSI评估
概述 对离散特征稳定性进行评估，在支持评分卡模型应用后，PSI评估可以对模型效果进行评估。 image2020-9-1_16-27-13.png 输入/输出 输入 两个输入端口，一个为在模型训练预测过程中的评分卡模型预测结果，一个为利用评分卡模型在实际生产中产生的评分卡数据集；两个数据集均需通过离散化处理。 输出 没有输出端口。 参数说明 设置PSI评估的参数： image2020-9-1_16-45-45.png 设置说明如下： 参数名称 说明 备注 选择特征列 用于选择特征列的变量，结果显示每个特征或分数
