神通bi產(chǎn)品介紹-免費(fèi)閱讀
【正文】 39 ? 基于 EAs（調(diào)度引擎 挖掘代理）的分布式挖掘架構(gòu) ? MasterSlaver(s)算子模式的并行挖掘算法 ? 節(jié)點(diǎn)內(nèi)并行和跨節(jié)點(diǎn)并行相結(jié)合 ? 基于數(shù)據(jù)分布的負(fù)載均衡 ? 數(shù)據(jù)就近挖掘策略 ? 對(duì) HDFS、神通數(shù)據(jù)庫(kù)集群等數(shù)據(jù)源的支持及擴(kuò)展 神通 KMiner：并行計(jì)算架構(gòu) (2) KMiner分布式挖掘拓?fù)鋱D P CP C網(wǎng) 絡(luò)挖 掘 調(diào) 度 引 擎挖 掘 代 理神 通 集 群 d a t a 節(jié) 點(diǎn)網(wǎng) 絡(luò)挖 掘 代 理神 通 集 群 d a t a 節(jié) 點(diǎn)挖 掘 代 理神 通 集 群 d a t a 節(jié) 點(diǎn)挖 掘 W e b 應(yīng) 用 服 務(wù) 器P C P C挖 掘 代 理神 通 集 群 d a t a 節(jié) 點(diǎn)神 通 集 群 M a s t e r獲取數(shù)據(jù)分布數(shù)據(jù) 挖掘 屬性篩選 分類預(yù)測(cè) 回歸預(yù)測(cè) 聚類分析 關(guān)聯(lián)分析 時(shí)間序列 屬性篩選 屬性重要性打分 基于信息增益的屬性打分 主成分分析 決策樹 分類回歸樹 神經(jīng)網(wǎng)絡(luò)分類 支撐向量機(jī)分類 分類組合模型 多元線性回歸 神經(jīng)網(wǎng)絡(luò)回歸 支撐向量機(jī)回歸 回歸組合模型 K均值聚類 分布估計(jì)聚類 基于 K均值的層次聚類 購(gòu)物籃分析 屬性關(guān)聯(lián)分析 序列模式分析 ARX時(shí)間序列 ARMA時(shí)間序列 基于卡方檢驗(yàn)的屬性篩選 樸素貝葉斯 貝葉斯網(wǎng)絡(luò) 邏輯回歸 廣義線性回歸 兩階段聚類 統(tǒng)計(jì) 分析 描述性統(tǒng)計(jì) 數(shù)據(jù)探測(cè) 異常檢測(cè) 層次聚類 方差分析 歸納分析 列聯(lián)表 相關(guān)分析 分布估計(jì) 函數(shù)擬合 因子分析 單因子方差分析 雙因子方差分析 樣本層次聚類 屬性層次聚類 Ksigma異常檢測(cè) 線箱圖異常檢測(cè) 離散化 KMiner 算法 神通 KMiner：算法列表 共計(jì) 40個(gè) 05001 , 0001 , 5002 , 0002 , 5003 , 0003 , 500數(shù)據(jù)記錄數(shù)(萬(wàn)條)測(cè)試環(huán)境： 8 G 內(nèi)存屬性個(gè)數(shù) 55 屬性個(gè)數(shù) 15神通 KMiner：海量數(shù)據(jù)處理能力 神通 KMiner：高效的執(zhí)行速度 44 大部分算法執(zhí)行速度遠(yuǎn)快于國(guó)外相同算法 45 分類算法 準(zhǔn)確率對(duì)比， 準(zhǔn)確率越高越好。 回歸算法 準(zhǔn)確率對(duì)比， 相關(guān)系數(shù)越高越好。 KMiner為唯一一款所有算法實(shí)現(xiàn)并行的數(shù)據(jù)挖掘軟件。 算法準(zhǔn)確度和 SPSS Modeler相當(dāng)， 有的 KMiner略好，有的 Modeler略好 神通 KMiner：和領(lǐng)袖廠商相當(dāng)?shù)乃惴?zhǔn)確度 46 神通 KMiner：靈活的任務(wù)監(jiān)管和調(diào)度策略 47 神通 KMiner：模型快速發(fā)布、預(yù)警及更新機(jī)制 48 元數(shù)據(jù)管理 主流數(shù)據(jù) 挖掘工具 對(duì)比 項(xiàng)大 類 對(duì)比項(xiàng) 神通 SAS （ ） SPSS Modeler14 算法 算法數(shù)量 27+13=40 14 29 執(zhí)行速度 高 中 中 預(yù)測(cè)精度 高 高 高 其他功能 數(shù)據(jù)源 主流數(shù)據(jù)庫(kù) 、 TXT、 CSV、Excel等 主流數(shù)據(jù)庫(kù) 、 TXT、 CSV、Excel等 主流數(shù)據(jù)庫(kù) 、
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1