本文介绍了使用K-Means聚类算法分析学生考勤行为的方法。实验基于助睿数智平台，通过迟到、早退、请假、校服违规等指标，将学生分为三类群体。主要步骤包括：1）在AI Studio平台建立工作流，导入考勤数据并进行K-Means聚类；2）将聚类结果保存至数据库；3）通过助睿BI平台连接数据源，构建数据集并创建工作表；4）使用可视化图表分析不同聚类群体的特征分布。该方案为零代码实现，为校园管理提供数据

本文介绍了使用K-Means聚类算法分析学生考勤行为的方法。实验基于助睿数智平台，通过迟到、早退、请假、校服违规等指标，将学生分为三类群体。主要步骤包括：1）在AI Studio平台建立工作流，导入考勤数据并进行K-Means聚类；2）将聚类结果保存至数据库；3）通过助睿BI平台连接数据源，构建数据集并创建工作表；4）使用可视化图表分析不同聚类群体的特征分布。该方案为零代码实现，为校园管理提供数据

本文基于"数智教育"大赛数据集，设计并实现了学生多维度考勤统计ETL转换流。实验采用助睿数智平台，通过7张核心业务表构建"事实表+维度表+属性表"的星型模型，重点处理3张考勤相关表。转换流实现了从数据接入、多表关联、标签衍生到聚合统计的全流程自动化，解决了人工统计效率低、口径不统一的问题。实验详细梳理了学生基础属性、画像维度和考勤行为三类标签，制定了统一统计

XGBoost 在测试集上的 MAE（8.51）、RMSE（11.93）均为三者最低，R²（0.822）最高，相比线性回归，误差降低约 19.6%，R² 提升约 9.5%，说明模型对数据的拟合能力和预测准确性显著优于另外两个模型。但低分段样本存在一定的系统性高估现象，说明模型对低分数据的拟合能力仍有提升空间。交叉验证箱线图结果表明，该线性回归模型在不同数据划分下的 MAE、RMSE 与 R² 指标

本文摘要为实验指导文档，主要介绍如何使用助睿零代码ETL平台完成订单利润分流处理。实验内容包括：1)平台登录与团队管理；2)创建实验项目并同步数据库；3)构建ETL转换流，通过表输入、记录集连接、字段选择和过滤记录等组件实现多表关联与数据分流；4)将盈利和亏损订单分别输出到Excel文件。实验目标是掌握零代码ETL平台的基本操作。