第144页，共618页。 显示 6,172 条结果 (0.132 秒)
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。对于多分类问题，算法会输出一个多维逻辑回归模型。 示例 使用“银行零售客户流失”案例数据，包含17个特征列和1个二类的目标标签。需要对银行客户预测是否流失。通过数据预处理及模型训练，如下图： 图片30.png 其中，特征离散是将年龄、卡龄等数据离散化，是为了提高模型的准确度，提高运行速度。 逻辑数据挖掘-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。对于多分类问题，算法会输出一个多维逻辑回归模型。 示例 使用“银行零售客户流失”案例数据，包含17个特征列和1个二类的目标标签。需要对银行客户预测是否流失。通过数据预处理及模型训练，如下图： 图片30.png 其中，特征离散是将年龄、卡龄等数据离散化，是为了提高模型的准确度，提高运行速度。 逻辑数据挖掘-全表统计
概述 全表统计是对观测数据进行不同的统计分析，可统计信息：最小值、最大值、平均值、标准差、方差、总和、行数、唯一值、缺失值、偏度、峰度、中位数、下四分位、上四分位、众数等指标；还可使用箱线图和直方图尽可能简单全面表达数据所蕴含的数值范围、分布等信息。 输入/输出 输入 一个输入端口，用于接收数据集 … ：行数、最大值、最小值、平均值、下四分位、中位数、上四分位、唯一值。 连续数据分桶数 设置连续数据分桶数，分桶数为>=2的整数，统计结果中，数值变量会按照这个分桶数来分箱展示 必填 显示异常值 设置是否在箱线图中显示异常值。默认不勾选。 示例 使用“鸢尾花数据挖掘-全表统计
概述 全表统计是对观测数据进行不同的统计分析，可统计信息：最小值、最大值、平均值、标准差、方差、总和、行数、唯一值、缺失值、偏度、峰度、中位数、下四分位、上四分位、众数等指标；还可使用箱线图和直方图尽可能简单全面表达数据所蕴含的数值范围、分布等信息。 输入/输出 输入 一个输入端口，用于接收数据集 … ：行数、最大值、最小值、平均值、下四分位、中位数、上四分位、唯一值。 连续数据分桶数 设置连续数据分桶数，分桶数为>=2的整数，统计结果中，数值变量会按照这个分桶数来分箱展示 必填 显示异常值 设置是否在箱线图中显示异常值。默认不勾选。 示例 使用“鸢尾花如何在作业流中执行抽取的数据模型？
1、概述 1)作业流和数据模型的抽取是独立分开进行的，但是数据模型的数据依赖于作业流即作业流先抽完，数据模型才能开始抽数，否则会出现数据不正确； 2)作业流执行完了之后数据模型再抽取数据，需要自定义任务(写代码)才能实现，而且非常复杂，耗时耗力； 而在V10.5.8，作业流可以通过拖、拉、拽轻松设置数据模型与ETL执行的先后顺序，无需写代码、轻轻松松确保生产安全！ 未命名文件 (5).png 2、示例 指标模型通过作业流的"指标模型"节点直接抽取数据. 2.1 、添加ETL节点 1)新建作业流，在作业流中增加ETL节点，如下图： 1.png 左侧资源树上增加了“指标模型”、“数据集”目录，点击目录数据挖掘-多层感知机
概述 一种基于前馈人工神经网络的分类器。多层感知机由多层节点组成，每个层都完全连接到网络中的下一层，输入层中的节点表示输入数据。所有其他节点通过输入与节点权重w和偏移b的线性组合将输入映射到输出，并使用激活函数。 示例 使用“动物种类划分”案例数据，预测动物的种类 … 说明。 标准化 最小最大值归一化 最大绝对值归一化 参数 单位标准差归一化 勾选后，归一化后数据的标准差等于1 平均数据中心化 勾选后，归一化后数据的均值等于0 自动调参设置 系统默认的各项参数值范围。 必须数据挖掘-多层感知机
概述 一种基于前馈人工神经网络的分类器。多层感知机由多层节点组成，每个层都完全连接到网络中的下一层，输入层中的节点表示输入数据。所有其他节点通过输入与节点权重w和偏移b的线性组合将输入映射到输出，并使用激活函数。 示例 使用“动物种类划分”案例数据，预测动物的种类 … 说明。 标准化 最小最大值归一化 最大绝对值归一化 参数 单位标准差归一化 勾选后，归一化后数据的标准差等于1 平均数据中心化 勾选后，归一化后数据的均值等于0 自动调参设置 系统默认的各项参数值范围。 必须如何在作业流中执行抽取的数据模型？
1 概述 1)作业流和数据模型的抽取是独立分开进行的，但是数据模型的数据依赖于作业流即作业流先抽完，数据模型才能开始抽数，否则会出现数据不正确； 2)作业流执行完了之后数据模型再抽取数据，需要自定义任务(写代码)才能实现，而且非常复杂，耗时耗力； 而在V10.5.8，作业流可以通过拖、拉、拽轻松设置数据模型与ETL执行的先后顺序，无需写代码、轻轻松松确保生产安全！ 未命名文件 (5).png 2 示例 指标模型通过作业流的"指标模型"节点直接抽取数据. 1、添加ETL节点 新建作业流，在作业流中增加ETL节点，如下图： 01.png 2、添加”指标模型“ 左侧资源树上增加了“指标模型”、“数据集通过计划任务清除指定数据集缓存
1.示例场景 在项目上有时候需要对特定一些报表定时清空数据缓存，该功能可以通过定制计划任务实现。 2.操作步骤 1、在左边资源树上的【系统运维】->【计划任务】->【任务】，新建一个任务，"任务类型"选择“定制”，如下图： image2020-6-15 10:22:49.png 2、在【自定义设置】中写如下代码： importPackage(Packages.smartbi.pool); var viewIdArray = new Array(); //数据集的id数组 viewIdArray.pushEcharts图形-扩展属性：标签 - 目前地图展示的方式过于平面化，数据标注都盖住了，能否提供一些立体的展示案例
（本文档仅供参考） 问题 目前地图展示的方式过于平面化，数据标注都盖住了，能否提供一些立体的展示案例。 image2018-11-22 9:52:29.png 解决方案 目前没有相关立体地图的示例，建议通过如下扩展属性设置地图周边的阴影，达到立体效果；另外数据标柱重叠的问题，可参考文档：如何修改地图标签显示位置，尝试修改标签的位置然后标记跟随标签位置变化，若效果还是不太好，则建议不要在标柱上显示标签了，直接在地图区域显示标签； { geo: { aspectScale: 1.3, itemStyle
