import cn.doitedu.commons.util.SparkUtil
import org.apache.spark.ml.linalg
import org.apache.spark.ml.linalg.{Vector, Vectors}
import org.apache.spark.sql.{DataFrame, Dataset, SparkSession}
object KnnDemo {
def main(args: Array[String]): Unit = {
val spark: SparkSession = SparkUtil.getSparkSes
2021-12-10 16:53:32
31KB
1
基于Python和Echarts职位画像系统，用Scrapy抓取招聘数据，使用Django+echarts完成数据可视化
2021-12-09 18:03:38
32.26MB
给大家分享一套课程——基于Flink+Alink构建全端亿级实时用户画像系统课程，本课程采用全新的大数据技术栈：Flink+Alink,让你体验到全新技术栈的强大，感受时代变化的气息，通过学习完本课程可以节省你摸索的时间，节省企业成本，提高企业开发效率。
2021-12-03 20:05:48
689B
1
基于Flink+Alink构建全端亿级实时用户画像系统课程，将带领大家一步一步实现一个强大的实时用户画像系统，该系统以热门的互联网电商实际业务应用场景为案例讲解，具体包含：标签管理（支持动态标签扩展，动态标签指标）、用户预测、用户群体画像、用户行为画像、用户中心、几大内容。
2021-11-26 18:09:17
682B
1
SASchampion2017
描述
基于航空公司的数据，构建了进行损失预警的模型，包括损失概率模型和客户画像。
矿业
以数据预处理（DataPreprocessing）后的58,954条航空客户数据为例，通过数据挖掘中的分类和聚类技术分别进行客户损失预测和价值细分。
首先，进行了客户损失预测（ClassPrediction） 。 决策树，随机森林和梯度提升树相继用于训练和评估以及分类性能指标的比较。 在采矿过程中，花费了很长时间进行参数调整。 结果表明，基于Boosting算法的分类器具有更好的性能和更低的错误率。 在变量的使用方面，三个变量-从最后一次飞行到观察窗口结束的时间，第二年的总机票价格和最大飞行间隔-对预测的更大贡献。客户流失。
然后，基于混合数据类型（ClusterPreprocessing）对非损失和损失客户组进行k-medoids聚类（Cluster） 。 结果表
2021-11-16 08:24:45
17.81MB
1