第36页，共201页。 显示 2,002 条结果 (0.031 秒)
仪表盘文本组件微软雅黑字体问题
问题说明： 仪表盘文本组件设置字体为微软雅黑，在某些分辨率下(如：1366*768)，查看仪表盘文本组件字体，发现出现一大一小现象。如下所示： image2024-3-4_11-38-57.png 解决方案： 该问题属于字体兼容问题，微软雅黑对于12号以下字体兼容有点问题，在wps中测试6~9号字体大小会有明显的对不齐的情况。 这种情况下建议是可以调整画布大小减小缩放比或者小字使用其他字体替代。 image2024-3-4_11-39-37.png文本组件-没有数据的时候右上角显示提示
(此文档仅供参考，如何不满足应用场景，需要自行调整相关宏代码) d问题说明 想实现当无数据的时候，文本组件类似右上角有个小提示，说明：系统数据每月20号更新；有数据就正常展示数据，这个提示语不展示。 image2024-2-7_16-55-40.png 解决方案 … ') tips.innerText = '系统数据每月20号更新' //提示语 tips.style.textAlign = 'right' tips.style.fontSize = '12px' contentHtml.insertBefore(tips, contentHtml.children[0]) }数据挖掘-支持向量机
数据的评估指标，包括：f1、precision、recall、accuracy、AUC(二分类)。 其中，评估标准“AUC(二分类)”仅对二分类问题生效。 参数 自动调参的参数项。 指定值调参 指定值 指定一个固定的值进行自动调参。需要先勾选“是否使用指定值”才能配置。 是否使用指定值 … ，生成的参数值：40, 60, 80, 100 右键单击评估节点，选择查看分析结果，如下图： image2020-6-4 16:30:31.png 图片28.png F1分数决定模型效果的程度，F1值越大，说明模型预测的效果最佳。这里F1值为0.82。说明该模型效果还是不错的。效果不理想的化还可数据挖掘-逻辑回归
概述 逻辑回归是一种分类算法，它进行分类的主要思想是：根据现有数据对分类边界线建立回归公式（寻找到最佳的拟合直线），以此进行分类。简单来说，它就是利用Logistic函数拟合数据来预测某一个事件发生的概率。 该算法可用于二元及多元分类问题，是分类算法的经典算法。对于二分类问题，算法输出一个二元逻辑回归模型。对于 … 参。 范围调参：在指定的范围内进行自动调参。 设置项说明如下： 设置项 说明 拆分比例 将选择的数据拆分为两部分，一部分部分用于模型的评估，另一部分数据用于训练模型。 评估标准 用于选择数据的评估指标，包括：f1、precision、recall、accuracy、AUC(二分数据挖掘-决策树
。 当模型达到该深度时停止分裂； 树的深度越大，模型训练的准确度更高，但同时也会增加模型的计算量且会导致过拟合； 衡量准则 gini 裂分标准，Entropy表示熵值，Gini表示基尼指数； entropy 子节点最少样本数 取值范围：大于0且小于等于 … 说明 拆分比例 将选择的数据拆分为两部分，一部分部分用于模型的评估，另一部分数据用于训练模型。 评估标准 用于选择数据的评估指标，包括：f1、precision、recall、accuracy、AUC(二分类)。 其中，评估标准“AUC(二分类)”仅对二分类问题生效。 参数数据挖掘-多层感知机
阈值是鼓励模型更频繁地预测0，反之则预测为1。 多分类请用英文逗号隔开,且数量与分类数相同，例如：分三类，示例：8,9,10 自动调参设置 系统将对设置指定或范围内的参数值循环调参，匹配出最优的组合。 image2021-11-19_17-58-39 (2) (1).png 自动调参的方式分为两种 … 、precision、recall、accuracy、AUC(二分类)。 其中，评估标准“AUC(二分类)”仅对二分类问题生效。 参数 自动调参的参数项。 注意： 优化算法的范围支持多选。 其他参数默认的范围提供了一个推荐值，并不是算法限制的最大值和最小值。 指定值调参 指定值 指定数据挖掘-多层感知机
阈值是鼓励模型更频繁地预测0，反之则预测为1。 多分类请用英文逗号隔开,且数量与分类数相同，例如：分三类，示例：8,9,10 自动调参设置 系统将对设置指定或范围内的参数值循环调参，匹配出最优的组合。 image2021-11-19_17-58-39 (2) (1).png 自动调参的方式分为两种 … 、precision、recall、accuracy、AUC(二分类)。 其中，评估标准“AUC(二分类)”仅对二分类问题生效。 参数 自动调参的参数项。 注意： 优化算法的范围支持多选。 其他参数默认的范围提供了一个推荐值，并不是算法限制的最大值和最小值。 指定值调参 指定值 指定数据挖掘-支持向量机
数据的评估指标，包括：f1、precision、recall、accuracy、AUC(二分类)。 其中，评估标准“AUC(二分类)”仅对二分类问题生效。 参数 自动调参的参数项。 指定值调参 指定值 指定一个固定的值进行自动调参。需要先勾选“是否使用指定值”才能配置。 是否使用指定值 … ，生成的参数值：40, 60, 80, 100 右键单击评估节点，选择查看分析结果，如下图： image2020-6-4 16:30:31.png 图片28.png F1分数决定模型效果的程度，F1值越大，说明模型预测的效果最佳。这里F1值为0.82。说明该模型效果还是不错的。效果不理想的化还可数据挖掘-逻辑回归
概述 逻辑回归是一种分类算法，它进行分类的主要思想是：根据现有数据对分类边界线建立回归公式（寻找到最佳的拟合直线），以此进行分类。简单来说，它就是利用Logistic函数拟合数据来预测某一个事件发生的概率。 该算法可用于二元及多元分类问题，是分类算法的经典算法。对于二分类问题，算法输出一个二元逻辑回归模型。对于 … 参。 范围调参：在指定的范围内进行自动调参。 设置项说明如下： 设置项 说明 拆分比例 将选择的数据拆分为两部分，一部分部分用于模型的评估，另一部分数据用于训练模型。 评估标准 用于选择数据的评估指标，包括：f1、precision、recall、accuracy、AUC(二分数据挖掘-决策树
。 当模型达到该深度时停止分裂； 树的深度越大，模型训练的准确度更高，但同时也会增加模型的计算量且会导致过拟合； 衡量准则 gini 裂分标准，Entropy表示熵值，Gini表示基尼指数； entropy 子节点最少样本数 取值范围：大于0且小于等于 … 说明 拆分比例 将选择的数据拆分为两部分，一部分部分用于模型的评估，另一部分数据用于训练模型。 评估标准 用于选择数据的评估指标，包括：f1、precision、recall、accuracy、AUC(二分类)。 其中，评估标准“AUC(二分类)”仅对二分类问题生效。 参数
