第356页，共497页。 显示 4,964 条结果 (0.04 秒)
其它组件 ⬝ 文本组件
1、场景描述：在仪表盘中，通过文本组件插入超链接跳转到SmartBI官网。 2、操作步骤 （1）双击 文本 组件，进入编辑文本界面，点击 插入/编辑链接wenbenzujian15.png 图标，输入 地址 及 显示文字 ，如下图所示： wenbenzujian14.png （2）最终效果如下图所示复制从 模型 ⬝ 快速计算
://wiki.smartbi.com.cn/pages/viewpage.action?pageId=69737549#id-%E6%95%B0%E6%8D%AE%E6%A8%A1%E5%9E%8B%E5%88%9B%E5%BB%BA%E7%BB%B4%E5%BA%A6%E5%8F%8A%E5%B1%82%E6%AC%A1-%E6新移动端-报表发布
图： image2019-10-18 10:32:51.png 关于资源授权，详情请参考 Smartbi权限体系说明。 资源设置 添加资源 单击 添加 按钮，弹出“选择资源”窗口，在资源树中选择要发布的资源单击 确定 即可： image2019-7-22 14:20:31.png 支持在文本框中输入资源名称关键字，通过数据挖掘-FP-Growth
’, ‘面包’}的支持度就是 5/10 = 0.5。 支持度表示在关联规则中出现的频率，支持度高说明物品的需求量大。 在实际零售场景中，可通过支持度，置信度，提升度 https://wiki.smartbi.com.cn/pages/viewpage.action?pageId=65606981#id-%E5数据挖掘-支持向量机
，每一段内的原始连续数值转换成特征中的一个新类别，是为了提高模型的准确度和稳定性，提高运行速度。 模型构建中，支持向量机的各个参数： 参数名称 值 说明 归一化 正则化 详情请参考 归一化 https://wiki.smartbi.com.cn/pages数据挖掘-梯度提升决策树
://wiki.smartbi.com.cn/pages/viewpage.action?pageId=51941896 介绍说明。 标准化 最小最大值归一化 最大绝对值归一化 最大迭代数 取值范围：>=0的整数，默认值为30 算法的最大迭代次数，达到最大迭代次数即退出。 最大迭代次数数据挖掘-逻辑回归
回归的参数如下： 参数名称 值 说明 归一化 正则化 详情请参考 归一化 https://wiki.smartbi.com.cn/pages/viewpage.action?pageId=51941896 介绍说明。 标准化 最小最大值归一化 最大数据挖掘-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。 image2020-8-11_9-53-40.png 参数设置 多层感知机的参数如下： 参数名称 值 说明 归一化 方法选择 正则化 详情请参考 归一化 https://wiki.smartbi.com.cn/pages/viewpage.action?pageId=51941896 介绍数据挖掘-梯度提升回归树
概述 梯度提升回归树是梯度提升树算法，原理是训练多棵回归树，每棵树建立是基于前一课树的残差，基函数为CART树，损失函数为平方损失函数的回归算法。 示例 使用“波士顿房价预测”案例数据，预测波士顿房价。 图片34.png 其中，相关性分析是为了分析特征变量与目标变量的相关性系数，方便特征选择进入模型训练。 参数设置 梯度提升回归树参数如下： 参数名称 值 说明 归一化 方法选择 正则化 详情请参考 归一化 https://wiki.smartbi.com.cn/pages/viewpage.action?pageId=51941896数据挖掘-线性回归
概述 一种常用的回归方法，它是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计方法，通过凸优化的方法进行求解，以达到预测评估的效果。 示例 使用“波士顿房价预测”案例数据，预测波士顿房价。 图片35.png 其中，相关性分析是为了分析特征变量与目标变量的相关性系数，方便特征选择进入模型训练。 线性回归的参数如下： 参数名称 值 说明 归一化 正则化 详情请参考 归一化 https://wiki.smartbi.com.cn/pages/viewpage.action?pageId=51941896 介绍说明
