数据挖掘模式评估方案 第1篇
table_in：TEXT。输入表的名称。
table_out：TEXT。输出表的名称。出于一致性，即使在不使用分组的情况下，也会为所有度量输出创建一个表，这可能意味着在某些情况下输出表中只有一个值。
prediction_col：TEXT。输入表中预测值列的名称。
observed_col：TEXT。输入表中观察值列的名称。
num_predictors（只对adjusted_r2_score）：INTEGER。不含常数项的预测模型中的参数个数。
training_size（只对adjusted_r2_score）：INTEGER。用于训练的行数，不包括任何空行。
grouping_cols（可选）：TEXT。缺省值为NULL。输入表中分组列的名称。
数据挖掘模式评估方案 第2篇
在传统的数据中心网络硬件基础设施运维过程中，通常是基于人工操作和运维经验来判断是否需要进行设备更新维护。这种方式虽然能够发现问题并及时处理，但整体效率较低，且容易出现漏检和误判的情况。尤其是随着设备数量和类型的不断增加，网络硬件基础设施维护及更新替换正面临新的更大挑战：
一是数据质量挑战。网络设备的运行和巡检信息不仅数据量庞大，而且具有多元化的特点，需要耗费大量时间进行人工分析和判断，同时相关结论的准确性和可靠性也难以保障。二是维护流程复杂。网络设备维护通常需要多人乃至跨部门合作，这不仅增加了制定设备更新、替换策略的复杂性，决策的时效性也往往较为滞后。三是维护决策的可解释性和实际应用性不强。网络设备维护牵涉到多个复杂因素的综合分析，导致最终决策经常显得复杂和抽象，不便于记录、解释和理解。
数据挖掘模式评估方案 第3篇
综上所述，设备运行风险评估模型旨在为网络设备的维护管理提供决策支持和信息服务，即从设备维护计划、预算编制、升级替换决策、故障处理等方面，辅助优化和提高网络管理效率，进而为网络设备的规划、设计和管理提供可靠支撑。后续，基于设备运行风险评估模型，邮储银行将逐步对两地四中心网络设备开展下架需求预测，推动网络硬件基础设施资源的更新替换；同时，通过进一步引入大数据和人工智能技术，持续提升模型的实用性和适用性，基于更加智能的设备管理策略，为网络硬件基础设施资源的采购、维护、规划、设计和管理等提供科学依据。在预测精准性方面，邮储银行将探索使用更为先进的神经网络模型持续优化模型结构，并尝试引入元分类器等搭建预测大模型，进行更加精准的类别预测、回归预测等，以高质量运营保障赋能银行业务发展。
数据挖掘模式评估方案 第4篇
该函数返回预测值和观测值之间的决定系数（R2）。R2为1表示回归线与数据完全吻合，而R2为0表示该线完全不适合数据。当将非线性函数拟合为数据时，R2可能出现负值。详情请参阅参考资料[1]。
该函数返回对上述R2调整后的评分。当模型中加入额外的解释变量时，调整后的R2得分用来抵消R2自动增加的问题。它需要两个额外参数描述模型的自由度（num_predictors）和函数训练集的大小（training_size）：
这些参数都不能从预测值和测试数据中推断出来，这就是它们是显式输入的原因。详情请参阅参考资料[1]。
该函数返回一个输出表，其中包含一些二进制分类常用的度量指标。各度量的定义如下：
该函数返回二元分类（AUC）下接收者操作特征曲线下的面积。ROC曲线是曲线与分类器的TPR和FPR度量。（这些度量定义见上面的二进制分类）。详情请参阅参考资料[2]。注意二分类函数可以用来获取绘制ROC曲线要求的数据（TPR和FPR值）。
注意：
对于‘binary_classifier’和‘area_under_roc’函数：
该函数返回多类分类的混淆矩阵。矩阵的每一列表示一个预测类中的实例，而每一行代表实际类中的实例。这比精确猜测（准确率）允许更详细的分析。详情请参阅参考资料[3]。请注意，混淆矩阵不支持分组。