使用说明
对点线面数据集进行热点分析。待分析的数据集必须具备ID。返回的结果类型为要素数据集（FeatureRDD）。
热点分析是给定一组加权要素，使用局部 General G 指数统计识别具有统计显著性的热点和冷点。热点分析会查看邻近要素环境中的每一个要素，因此，仅仅一个孤立的高值不会构成热点，单个要素以及它的邻居都是高值才算是热点。
分析原理
在衡量高低值聚类的时候，通常需要用 General G 指数。在热点分析工具中，z 得分和 p 值都是统计显著性的度量，用于逐要素地判断是否拒绝零假设。置信区间（Gi_Bin字段） +3 到 -3 中的要素反映置信度为 99% 的统计显著性，置信区间 +2 到 -2 中的要素反映置信度为 95% 的统计显著性，置信区间 +1 到 -1 中的要素反映置信度为 90% 的统计显著性；而置信区间 0 中要素的聚类则没有统计学意义。
如果要素的 z 得分高且 p 值小，则表示有一个高值的空间聚类。如果 z 得分低并为负数且 p 值小，则表示有一个低值的空间聚类。z 得分越高（或越低），聚类程度就越大。如果 z 得分接近于零，则表示不存在明显的空间聚类。
应用案例
应用领域包括：犯罪分析、流行病学、投票模式分析、经济地理学、零售分析、交通事故分析以及人口统计学。其中的一些应用示例包括：
- 疾病集中爆发在什么位置？
- 何处的厨房火灾在所有住宅火灾中所占的比例超出了正常范围？
- 紧急疏散区应位于何处？
- 密集区出现于何处/何时？
- 我们应在哪些位置和什么时间段分配更多的资源？
返回结果
热点分析的结果数据集中包括z得分（GIZSCORE）、P值（GIPVALUE）和置信区间（GI_CONFINVL）。z得分和P值都是统计显著性的度量,用于逐要素的判断是否拒绝零假设。置信区间字段会识别具有统计显著性的热点和冷点。置信区间为+3和-3的要素反映置信度为99%的统计显著性,置信区间为+2和-2的要素反映置信度为95%的统计显著性,置信区间为+1和-1的要素反映置信度为90%的统计显著性,而置信区间为0的要素的聚类则没有统计意义。如下表所示：
| z得分（标准差） | P值（概率） | 置信度 | GI_CONFINVL值 |
| < -1.65 或 > 1.65 | < 0.10 | 90% | -1 , 1 |
| < -1.96 或 > 1.96 | < 0.05 | 95% | -2 , 2 |
| < -2.58 或 > 2.58 | < 0.01 | 99% | -3 , 3 |
参数说明
| 参数名 | 默认值 | 参数释义 | 参数类型 |
|---|---|---|---|
| 输入的要素数据集 | 输入的要素数据集 | FeatureRDD | |
| 评估字段 | 评估字段 | String | |
| 空间关系概念化模型 | 空间关系概念化模型，支持反距离“InverseDistance”，反距离平方“InverseDistanceSquared”，固定距离“FixedDistanceBand”，K近邻“KNearestNeighbors”，无差别区域“ZoneOfIndifference” | JavaConceptualizationModel | |
| 中断距离容限 （可选） |
0.0 Meter | 中断距离容限，输入格式如“10 Meter”，当概念化模式为 KNearestNeighbors 时无效。 | JavaDistance |
| 反距离幂指数 （可选） |
1.0 | 反距离幂指数，只有当概念化模式为 InverseDistance、InverseDistanceSquared 和 ZoneOfIndifference 时有效。 | Double |
| 邻近相邻对象数目 （可选） |
0 | k邻近相邻对象数目，当概念化模式为 KNearestNeighbors 才有效 | Integer |
| 自身权重字段 （可选） |
自身权重字段 | String | |
| 是否进行 FDR（错误发现率）校正 （可选） |
false | 是否进行 FDR（错误发现率）校正，在 isFDRAdj 为 false 时，统计显著性以P值和Z字段为基础，否则，确定置信度的关键P值会降低以兼顾多重测试和空间依赖性 | Boolean |