具体改进点如下：
+【数据挖掘】支持异常检测使用场景功能(CBLOF)
背景介绍
异常检测广泛应用在需要发现离群点的场景中如：欺诈检测、入侵检测等，在数据挖掘中属于经典的场景之一，因此将部分较为经典的异常检测算法通过spark进行分布式实现。
功能简介
CBLOF（Cluster-Based Local Outlier Factor，基于聚类的本地异常因子）是一个异常检测节点，原理是先用聚类算法把为数据分为K个簇，而后通过设定占比阈值和突降倍数阈值，把簇区分为大簇和小簇，聚类完成后，计算每个点到最邻近大簇的距离（邻近距离），邻近距离越大的数据点为异常数据的概率越大。
CBLOF算法适用于当没有已知正常的数据时，对所有输入的新数据进行异常值的辨别。
+【数据挖掘】支持异常检测使用场景功能(孤立森林)
背景介绍
异常检测广泛应用在需要发现离群点的场景中如：欺诈检测、入侵检测等，在数据挖掘中属于经典的场景之一，因此将部分较为经典的异常检测算法通过spark进行分布式实现。
功能简介
孤立森林是一个异常检测算法节点，需要配合特征选择、训练、预测节点使用（异常检测算法为无监督学习，不需要评估节点）。孤立森林对正常数据进行采样，训练时随机生成决策树对数据进行划分。在预测未知数据时，决策树划分出某单个数据点需要的划分次数越少，对应的异常分数越高，该数据点为异常数据的概率越大。
孤立森林适用于用已知为正常的数据作为训练数据，然后对未知的新数据作预测，检测新数据中的异常数据。
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】增强特征工程(WOE)模型保存
背景介绍
旧的特征工程功能没有保存模型机制，导致用户需要手工记住参数来进行模型发布，因此新增支持类似WOE特征工程模型的保存机制。
功能简介
WOE编码节点和评分卡构建节点现在支持保存模型，保存的模型可以展示模型参数，以及再次使用进行预测。
新增了数据预测节点用于对特征工程模型（WOE编码模型、评分卡模型）进行预测，可以配合这些模型的保存功能，把已保存的模型接入数据预测节点对新数据进行预测。
+【挖掘】支持自定义调整节点目录结构
背景介绍
用户有时候想要调整挖掘实验里左侧节点树的目录结构。同时挖掘能够上传自定义节点，但是无法修改目录结构，导致上传的新节点有时候无法正确归类，因此需要能够支持自定义目录结构功能。
功能简介
用户可以根据需要以拖拽的方式调整节点目录中的文件夹顺序、节点顺序、节点归类等。上传的自定义节点也能在目录结构中调整。支持新建目录。
^【挖掘】关联规则和聚类支持模型自学习
背景介绍
旧的特征工程功能没有保存模型机制，导致用户需要手工记住参数来进行模型发布，因此新增支持类似WOE特征工程模型的保存机制。
功能简介
WOE编码节点和评分卡构建节点现在支持保存模型，保存的模型可以展示模型参数，以及再次使用进行预测。
新增了数据预测节点用于对特征工程模型（WOE编码模型、评分卡模型）进行预测，可以配合这些模型的保存功能，把已保存的模型接入数据预测节点对新数据进行预测。
