（2）Boosting 之 AdaBoostBoosting 的本质实际上是一个加法模型，通过改变训练样本权重学习多个分类器并进行一些线性组合。而 Adaboost 就是加法模型+指数损失函数+前项分布算法。Adaboost 就是从弱分类器出发反复训练，在其中不断调整数据权重或者是概率分布，同时提高前一轮被弱分类器误分的样本的权值。最后用分类器进行投票表决（但是分类器的重要性不同）...

使用as.matrix报错：

特征归一化（Normalization）作用以及方法 Min-Max、Z-Score

假设检验中的两类错误1、Ⅰ类错误和Ⅱ类错误2、α和β的计算3、α和β的关系4、两种错误的危害比较5、如何同时控制两类错误1、Ⅰ类错误和Ⅱ类错误  由于抽样的随机性，利用小概率原理对H0是否成立作为判断时，难免会犯两类错误。第一类错误（α错误/弃真错误）：原假设为真时拒绝原假设  可能产生原因：1、样本中极端数值；2、采用决策标准较宽松。第二类错误（β错误/取伪错误）：原假设为假时接受原假设  可能

相关分析一、相关分析综述1.1 相关分析1.2 相关系数二、 连续变量的相关分析2.1 Pearson相关系数的定义2.2 相关系数显著性检验2.2.1 提出假设2.2.2 计算检验统计量2.2.3 事件发生概率计算与统计推断2.3 python实现pearson相关系数三、Spearman秩相关系数3.1 Spearman 秩相关系数的定义3.2 举例说明3.3 python 实现 Spearm

1、创建日期参数 [日期参数]2、创建新的字段：[日期筛选] 放在筛选器上，逻辑为[统计日期] = [日期参数] or [统计日期] = date(date )

1、将 【统计日期】 放在筛选器上并添加到上下文2、 创建整数参数：TOPN3、将【客户名称】放在筛选器_使用全部_按字段_选择顶部4、创建度量值：全客群年日均汇总、占全客群比重、排序全客群年日均汇总：{fixed [统计日期] : sum([存款年日均])}占全客群比重：SUM([存款年日均])/SUM([全客群年日均汇总])排序：RANK_DENSE(SUM([存款年日均]))效果图：备注：这

场景：贷款时点比上年小于0，显示▼ 大于0则显示▲创建两个字段：比上年>0 : (if [比上年末] > 0 then '▲' end)比上年<=0 : if [比上年末] <= 0 then '▼' end

1.创建参数：[日期参数]2.创建新的字段过滤出[日期参数] 所在年份的月末日期： [月末日期定义]，逻辑为：说明：先将统计日期限制在日期参数所在年份，然后再过滤出该年份内的月末日期，月末日期的逻辑是先在统计日期上添加一个月，然后求出这个月末的第一天再减去一天并等于统计日期，就是月末日期。[统计日期] >= DATETRUNC('year',[日期参数])and [统计日期]<= [日

为0的值显示为空，若逻辑写成（if [年日均] > 0 then "" else [年日均] end），会报错字符串与数值无法计算，此时只需要编辑默认数字格式_自定义格式0;-0;"" 。