第42.6页，共90页。 显示 897 条结果 (0.023 秒)
Mondrian 3.0.4 学习总结
数据库；也可以配置其他数据库。 3、发布 Mondrian应用： (1)准备一个 JDK 1.4.2或以上版本的 Web环境，如 Tomcat 5.5； (2)从第(1)步中解压后的目录中找到 mondrian.war文件，解压至/Tomcat_Home/webapps/mondrian目录下； (3)打开 Tomcat_Home/webapps/mondrian/WEB-INF/mondrian.properties文件，修改mondrian.jdbcDrivers为实际使用的数据库信息。 (4)打开 Tomcat_Home /webapps/mondrian/WEB-INFMondrian学习总结
至此数据库；也可以配置其他数据库。 3、发布 Mondrian应用： (1)准备一个 JDK 1.4.2或以上版本的 Web环境，如 Tomcat 5.5； (2)从第(1)步中解压后的目录中找到 mondrian.war文件，解压至/Tomcat_Home/webapps/mondrian目录下； (3)打开 Tomcat_Home/webapps/mondrian/WEB-INF/mondrian.properties文件，修改mondrian.jdbcDrivers为实际使用的数据库信息。 (4)打开 Tomcat_Home /webapps/mondrian/WEB-INFMondrian学习总结
至此数据库；也可以配置其他数据库。 3、发布 Mondrian应用： (1)准备一个 JDK 1.4.2或以上版本的 Web环境，如 Tomcat 5.5； (2)从第(1)步中解压后的目录中找到 mondrian.war文件，解压至/Tomcat_Home/webapps/mondrian目录下； (3)打开 Tomcat_Home/webapps/mondrian/WEB-INF/mondrian.properties文件，修改mondrian.jdbcDrivers为实际使用的数据库信息。 (4)打开 Tomcat_Home /webapps/mondrian/WEB-INF数据挖掘-日期时间
概述 用户在录入日期类型数据时，经常会遇到日期格式不统一的问题。 image2023-1-29_14-9-3.png 输入/输出 输入 一个输入端口，用于接收数据集。 输出 一个输出端口，用于输出日期时间处理后的结果。 参数设置 设置日期时间处理的参数： image2023-1-29_14-9-56.png 设置说明如下： 参数 说明 选择列 要进行日期时间处理的列。 新增列后缀 输出结果的列名后缀。 输入字段格式 输入字段的日期时间格式 输出字段格式 处理后输出字段的日期时间格式数据挖掘-日期计算
概述 在日期的计算中，经常要对日期计算日期差或对日期进行加减指定天数等操作。 image2023-2-3_11-42-53.png 输入/输出 输入 一个输入端口，用于接收数据集。 输出 一个输出端口，用于输出日期计算处理后的结果。 参数设置 设置日期时间处理的参数： image2023-2-3_11-45-7.png 设置说明如下： 参数 说明 选择列 要进行日期计算处理的列。 计算方式 作和：日期列与整数、日期与整数列作和 作差：日期列与日期列、日期列与整数列作差 指定列(值) 指定列或者指定值 粒度数据挖掘-预测
概述 预测节点是根据训练集以及各种分类或回归算法对测试集进行结果预测。 输入/输出 输入 两个输入端口，左边输入为已训练的模型或者已保存的模型，右边输入为测试集。 输出 一个输出端口，输出测试集的预测结果。 示例 以逻辑回归为例，如下图： 图片41.png 点击预测节点右键可查看预测结果输出。 输出字段 输出字段 概念及其作用 features 特征向量，是由特征列组成的特征向量。 featuresNormalized 归一化后的特征向量，将特征向量进行归一化转换。 rawPrediction 直接概率，即每个可能标签置信度的度量数据挖掘-评估
概述 评估节点是对分类算法模型和回归模型的预测效果进行评估，检验模型在分类任务中的表现或者检验其在回归任务中的可靠性。 “评估”节点的前置节点必须是“预测”。 输入/输出 输入 只有一个输入端口，用于接收预测结果。 输出 没有输出端口。 示例 图片42.png 点击右键可以查看评估结果。针对分类与回归及无监督算法提供不同的评估指标。 分类预测模型评价指标如下图： image2020-11-9_11-7-13.png 回归预测模型评价指标如下图： image2020-11-9_11-8-36.png 聚类分析效果如下图： 图片45.png 评估数据挖掘-正则化
概述 用于标准化输入数据，使每个向量具有单位范数；Normalizer需要输入参数p，指定标准化范数，默认值为2；该标准化方法可用于提升算法效果。 输入/输出 输入 一个输入端口，用于接收前置节点传下来的数据集。 输出 一个输出端口，用于输出接收到的数据集。 参数设置 参数名称 说明 备注 选择列 用于选择需要正则化的列。 必填，列数<=10 新增列后缀 用于设置在原字段名后追加后缀生成新的列，默认后缀为：Normalized； 必填 P范数 指定标注化范数。 必填数据挖掘-最小最大归一化
概述 最小最大值归一化是对原始数据的线性变换，使结果映射到[0,1]区间。设minA和maxA分别为特征A的最小值和最大值，将A的一个原始值x通过MinMaxScaler映射到区间[0,1]间，公式为：x' = (x-minA)/(maxA-minA)。 输入/输出 输入 没有输入端口 输出 一个输出端口，与抽取、变换节点组合使用 参数设置 参数名称 说明 备注 新增列后缀 用于设置在原字段名后追加后缀生成新的列，默认后缀为：Normalized； 必填 图片1.png 示例 使用“鸢尾花数据”，特征选择4个特征数据挖掘-最大绝对值归一化
概述 最大绝对值归一化通过除以每个特征内的最大绝对值将每个特征映射到[-1,1]的范围；它不会移动和中心化数据，因此不会破坏任何的稀疏性。 输入/输出 输入 没有输入端口 输出 一个输出端口，与抽取、变换节点组合使用 参数设置 参数名称 说明 备注 新增列后缀 用于设置在原字段名后追加后缀生成新的列，默认后缀为：Normalized； 必填 图片3.png 示例 使用“鸢尾花数据”，特征选择4个特征列，最大绝对值归一化为[-1,1]范围的数据，输出结果如下图： 图片4.png 最大绝对值归一化
