第37页，共297页。 显示 2,969 条结果 (0.029 秒)
产品架构
1.技术架构 下图是Smartbi Mining平台技术架构。主要包含：数据接入层、处理引擎层、模型应用层、访问层。 图片2.png 2.部署架构 挖掘平台部署架构如下图，产品采用分布式内存计算，可通过多节点集群支持海量数据的挖掘与分析。 图片3.png 挖掘产品架构 mining产品架构数据挖掘-聚类系数
概述 聚类算法经过聚类训练之后，会明确每个特征的聚类中心和聚类标签。聚类系数就是输出聚类系数。 输入/输出 输入 一个输入端口，用于接收聚类训练后的结果。 输出 一个输出端口，用于输出聚类系数。 示例 以K均值为例，如下图： 图片48.png 点击右键可查看模型的聚类系数输出如下： 图片49.png 聚类系数数据挖掘-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。Smartbi V10.5.12-数据连接
+【数据连接】支持SelectDB数据接入 +【数据连接】支持CDW PG接入数据 +【数据连接】知识库支持 TiDB/TDSQL（Mysql版） 数据库 ^【数据连接】PostgreSQL 业务库支持导入文件 +【数据连接】支持StarRocks数据接入 背景介绍 … =92091848。 +【数据连接】支持OceanBase数据接入 背景介绍 如果您使用的是阿里云OceanBase数据库，在对接Smartbi进行数据分析时，可以添加OceanBase云数据源，阿里云OceanBase的详情请参见云数据库OceanBase https://help.aliyun.comSmartbi V10.5-数据挖掘
、相似集计算（LSH）节点 背景介绍 我们面对和需要处理的数据往往是海量并且具有很高的维度，怎样快速地从海量的高维数据集合中找到与某个数据最相似的一个数据或多个数据成为了一个难点和问题。如果是对一个海量的高维数据集采用线性查找匹配的话，会非常耗时，因此，为了解决该问题，我们可以使用LSH算法这类索引的技术来加快查找过程。 功能简介 新版本，文本分析中新增LSH、相似集计算（LSH）节点，支持计算大规模数据的相似度。 LSH.png 参考文档 详情请参考 数据挖掘 – LSH、数据挖掘 – 相似集计算(LSH) 。 +【数据挖掘】支持导入和导出PMML模型文件 背景介绍 以前的版本，用户往往需要Smartbi V10-数据准备
数据模型，将所有查询结果归集并基于CUBE重新构建数据结构 背景介绍 随着市场竞争的日趋激烈，企业的决策更加强调及时性和准确性，越来越多的用户需要多维度、更加灵活的方式观察数据变化，以获得对数据更加深入的了解，从而更好的促进企业的发展。为了满足用户的需求，新版本产品新增数据模型，可实现将所有查询结果归集后，基于 … Python脚本节点 背景介绍 随着大数据时代的到来，Python已经在数据处理、数据可视化、机器学习等领域受到广泛应用。V10版本的ETL功能支持用户编写Python脚本，利用其丰富的科学计算扩展库，满足更多数据处理和分析场景，提高生产效率。 功能概述 Python脚本节点，支持用户编写Python代码数据挖掘-模型系数
概述 算法经过训练之后，会明确每个特征（自变量）对于标签（因变量）的影响系数。模型系数就是将每个特征的系数输出。目前适用于线性回归、二分类、FP-Growth等。 输入/输出 输入 一个输入端口，用于接收算法训练结果。 输出 一个输出端口，用于将每个特征的系数输出。 示例 以逻辑回归算法为例，如下图： 图片46.png 点击右键查看模型系数的分析效果，可查看特征选择中每个特征的系数输出，如下图所示： 图片47.png 模型系数数据挖掘-模型系数
概述 算法经过训练之后，会明确每个特征（自变量）对于标签（因变量）的影响系数。模型系数就是将每个特征的系数输出。目前适用于线性回归、二分类、FP-Growth等。 输入/输出 输入 一个输入端口，用于接收算法训练结果。 输出 一个输出端口，用于将每个特征的系数输出。 示例 以逻辑回归算法为例，如下图： 图片46.png 点击右键查看模型系数的分析效果，可查看特征选择中每个特征的系数输出，如下图所示： 图片47.png 模型系数数据挖掘-评分预测
概述 评分预测使用训练好的评分卡模型对具体数据进行预测，用于输出最终的信用评分。 输入/输出 输入 两个输入端口，输入1接收训练好的评分卡模型，输入2接收训练数据 输出 一个输出端口，用于输出预测结果 示例 图片1.png 查看输出可看到具体的预测结果： 图片2.png 注意事项 评分预测接入的数据必须为WOE编码之前的数据，且选取的特征应与进行WOE编码的特征相同。数据挖掘-评分预测
概述 评分预测使用训练好的评分卡模型对具体数据进行预测，用于输出最终的信用评分。 输入/输出 输入 两个输入端口，输入1接收训练好的评分卡模型，输入2接收训练数据 输出 一个输出端口，用于输出预测结果 示例 图片1.png 查看输出可看到具体的预测结果： 图片2.png 注意事项 评分预测接入的数据必须为WOE编码之前的数据，且选取的特征应与进行WOE编码的特征相同。
