第79页，共232页。 显示 2,315 条结果 (0.055 秒)
部署Smartbi数据挖掘引擎/SmartbiETL
： tar -zxvf jdk-8u181-linux-x64.tar.gz -C /data 添加环境变量 vi ~/.bash_profile 在文件末尾添加下面内容： export JAVA_HOME=/data/jdk1.8.0_181 export JAVA_BIN=$JAVA_HOME/bin export … 设置开机启动 chmod +x /etc/init.d/mining-engine #添加执行权限 chmod +x /etc/init.d/mining-service #添加执行权限 chmod +x /etc/init.d/mining-spark #添加执行权限 chkconfig环形进度图
概要 环形进度图利用圆环图呈现子事件在主事件中的占比情况，通常用于展示单点提升比例这样的数据。 入口 图例 image2024-5-27_10-25-20.png 通过环形进度图，对景区智慧旅游数据中心车流趋势进行分析，效果如下图所示： 2022-02-16_18-17-19.png 配图建议： 标签区：1个度量 示例 1、点击左上角 组件 > 指标 ，拖入“环形进度图"组件。接着选择数据模型“车流趋势”； image2024-5-27_10-27-57.png 2、拖拽字段 度量>“车辆数” 到标记区内的标签上。对组件进行基础设置，如调整标题、表盘风格、进度、指针数据答疑-问答使用
补充说明。 添加图片 为提问的问题添加具体的图片帮助理解。 问题标签 为提问的问题添加标签。 设置为私密问题 默认未勾选，如未设置为私密则所有人都可以看到；如果设置为私密问题则需选择被提问人。 回答 1、在列表区中寻找需要回答的问题，点击 回答 按钮，会弹出“回答页数据挖掘-逻辑回归
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 … 。 收敛阈值 参数范围为：>=0的数，默认值为 ：0.000001 收敛误差值。 收敛误差值，当损失函数取值优化到小于收敛阈值时停止迭代。 分类阈值 参数范围为：>=0的数，请用英文逗号隔开,且数量与分类数相同。默认值为：0.5。分类数按从0到标签的最大值计算。 在二进制分类中系统运维
数据、异常原因导出。 流程监控 对已创建的流程进行查看及监控。 数据挖掘配置 对数据挖掘相关的设置项统一进行管理 答疑标签管理 系统运维的“答疑标签管理”模块用于管理提问页中选择的标签，此模块仅管理员或者有权限的角色可操作。 消息推送管理 用于对所有消息进行管理。 商店运维管理 专门数据挖掘-快速入门
代发金额’、‘月初AUM’、‘月均AUM’做为特征列，而‘是否流失’做为标签列； 拆分：将数据集进行拆分，一部分数据用来训练模型，另一部分用来验证经过训练的模型效果如何； 随机森林：本研究用分类算法节点中选择 随机森林算法 https://wiki.smartbi.com.cn/pages/viewpage.action?pageId=51942230 进行预测客户流失的模型构建。 模型搭建1.png 4.训练&预测 训练：训练节点的输入分为两部分，左边为算法节点，右边为训练数据集，模型通过对训练集数据中特征列的数据进行学习，并根据标签列的数据，确认具有何种特征的数据可能是流失客户，进而使模型获得能够识别流失客户的能力数据挖掘-逻辑回归
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 … 。 收敛阈值 参数范围为：>=0的数，默认值为 ：0.000001 收敛误差值。 收敛误差值，当损失函数取值优化到小于收敛阈值时停止迭代。 分类阈值 参数范围为：>=0的数，请用英文逗号隔开,且数量与分类数相同。默认值为：0.5。分类数按从0到标签的最大值计算。 在二进制分类中数据挖掘-快速入门
代发金额’、‘月初AUM’、‘月均AUM’做为特征列，而‘是否流失’做为标签列； 拆分：将数据集进行拆分，一部分数据用来训练模型，另一部分用来验证经过训练的模型效果如何； 随机森林：本研究用分类算法节点中选择 随机森林算法 https://wiki.smartbi.com.cn/pages/viewpage.action?pageId=51942230 进行预测客户流失的模型构建。 模型搭建1.png 4.训练&预测 训练：训练节点的输入分为两部分，左边为算法节点，右边为训练数据集，模型通过对训练集数据中特征列的数据进行学习，并根据标签列的数据，确认具有何种特征的数据可能是流失客户，进而使模型获得能够识别流失客户的能力使用Linux系统部署的Smatbi服务突然无法启动或进程消失
（本文档仅供参考） 问题说明 使用Linux系统部署的Smatbi服务突然无法启动，启动时报如下错误或者进程消失： 1、后台提示 "No X11 DISPLAY variable was set, but this program performed an operation … smartbi不会发起这些命令, 而Java进行图形处理时默认需要X11环境。通常这类问题是因为服务器上没有添加 -Djava.awt.headless=true 的jvm参数导致的，需要将此JVM参数 （ 如：JAVA_OPTS="$JAVA_OPTS -Djava.awt.headless=true ）添加到数据权限实现开头为拼接函数
?x-oss-process=image/auto-orient,0 3、在数据源表中设置数据权限，修改高级设置 字段 like 用户属性 https://s2-cs-pub-std.oss-cn-shanghai.aliyuncs.com/icon/tid8599/image_1662032151862_a247g_1662032151866_p57kg.png?x-oss-process=image/auto-orient,0 4、执行SQL如下 https://s2-cs-pub-std.oss-cn-shanghai.aliyuncs.com/icon/tid8599
