SuccessFactors复合员工API实施指南

需积分: 10 2 下载量 192 浏览量 更新于2024-07-16 收藏 1.26MB PDF 举报
"SF_EC_Comp_Emp_API.pdf 是SuccessFactors公司关于员工薪酬API的文档,主要用于处理与SuccessFactors顾问的集成工作。文档版本为Q42019,更新日期为2019年12月6日,涵盖了API的介绍、设置、使用方法等内容。" 这篇文档详细介绍了SuccessFactors的复合员工API,该API是为处理与SuccessFactors顾问相关的集成任务而设计的。以下是关键知识点: 1. **介绍**: - 目标群体:该文档主要面向那些需要进行数据集成的SuccessFactors顾问。 - 终端、WSDL和服务状态:提供了API的访问地址、Web服务定义语言(WSDL)以及服务的当前状态信息。 - 安全性和会话管理:详细阐述了如何确保API调用的安全性以及会话管理的策略。 - API增强与兼容性:讨论了API的功能改进以及与其他版本的兼容性问题。 - 审计日志和计量详情:描述了API使用情况的记录和监控方法。 2. **设置复合员工API**: - 配置设置:步骤包括如何在系统中进行必要的配置以启用API。 - 授权API用户:详述了向用户授予API访问权限的过程。 - 限制访问员工数据的权限:解释了如何控制对敏感员工数据的访问。 3. **使用复合员工API**: - 查询与查询更多:说明了如何执行基本查询和分页查询,以便获取和处理大量数据。 - 基准、限制和性能:讨论了查询操作的性能指标,如阈值和限制。 - 查询请求:深入解析了查询请求的结构,包括SELECT子句和WHERE子句的使用。 - 查询参数:列出了可用的查询参数,如快照模式,用于指定数据的特定时间点。 - 服务器分页:解释了如何有效地处理大数据集的分页策略。 - 示例查询请求:提供了实际的查询请求示例,帮助用户理解API的实际使用。 4. **查询响应**: - 查询响应结构:详细说明了返回的数据结构,包括如何解析和理解响应。 - 员工完整性检查:一种功能,用于验证返回的员工数据是否完整。 - 性能优化的XML渲染:描述了如何提高API响应的XML解析速度。 - 动态字段列表:允许在查询中动态选择要包含的字段。 - 挑选列表和基础对象:讨论了如何处理选择列表和基础数据类型。 - 日期/时间处理:详细介绍了API如何处理日期和时间数据。 这个文档提供了成功使用SuccessFactors复合员工API所需的全部信息,从设置到实施,涵盖了API安全、性能优化以及查询和响应的各个方面。对于任何需要集成SuccessFactors系统的开发人员或顾问来说,这都是一个非常有价值的资源。

把这段代码的PCA换成LDA:LR_grid = LogisticRegression(max_iter=1000, random_state=42) LR_grid_search = GridSearchCV(LR_grid, param_grid=param_grid, cv=cvx ,scoring=scoring,n_jobs=10,verbose=0) LR_grid_search.fit(pca_X_train, train_y) estimators = [ ('lr', LR_grid_search.best_estimator_), ('svc', svc_grid_search.best_estimator_), ] clf = StackingClassifier(estimators=estimators, final_estimator=LinearSVC(C=5, random_state=42),n_jobs=10,verbose=1) clf.fit(pca_X_train, train_y) estimators = [ ('lr', LR_grid_search.best_estimator_), ('svc', svc_grid_search.best_estimator_), ] param_grid = {'final_estimator':[LogisticRegression(C=0.00001),LogisticRegression(C=0.0001), LogisticRegression(C=0.001),LogisticRegression(C=0.01), LogisticRegression(C=0.1),LogisticRegression(C=1), LogisticRegression(C=10),LogisticRegression(C=100), LogisticRegression(C=1000)]} Stacking_grid =StackingClassifier(estimators=estimators,) Stacking_grid_search = GridSearchCV(Stacking_grid, param_grid=param_grid, cv=cvx, scoring=scoring,n_jobs=10,verbose=0) Stacking_grid_search.fit(pca_X_train, train_y) Stacking_grid_search.best_estimator_ train_pre_y = cross_val_predict(Stacking_grid_search.best_estimator_, pca_X_train,train_y, cv=cvx) train_res1=get_measures_gridloo(train_y,train_pre_y) test_pre_y = Stacking_grid_search.predict(pca_X_test) test_res1=get_measures_gridloo(test_y,test_pre_y) best_pca_train_aucs.append(train_res1.loc[:,"AUC"]) best_pca_test_aucs.append(test_res1.loc[:,"AUC"]) best_pca_train_scores.append(train_res1) best_pca_test_scores.append(test_res1) train_aucs.append(np.max(best_pca_train_aucs)) test_aucs.append(best_pca_test_aucs[np.argmax(best_pca_train_aucs)].item()) train_scores.append(best_pca_train_scores[np.argmax(best_pca_train_aucs)]) test_scores.append(best_pca_test_scores[np.argmax(best_pca_train_aucs)]) pca_comp.append(n_components[np.argmax(best_pca_train_aucs)]) print("n_components:") print(n_components[np.argmax(best_pca_train_aucs)])

2023-07-22 上传