내보내기(0) 인쇄
모두 확장
이 문서는 수동으로 번역한 것입니다. 원본 텍스트를 보려면 포인터를 문서의 문장 위로 올리십시오. 추가 정보
번역
원본
이 항목은 아직 평가되지 않았습니다.- 이 항목 평가

마이닝 모델 및 구조 사용자 지정

비즈니스 요구를 충족하는 알고리즘을 선택한 후 다음과 같은 방법으로 마이닝 모델을 사용자 지정하여 결과를 잠재적으로 향상시킬 수 있습니다.

  • 모델에서 다른 열의 데이터를 사용하거나 열의 사용법, 내용 유형 또는 분할 메서드를 변경합니다.

  • 마이닝 모델에서 필터를 만들어 모델 학습에 사용되는 데이터를 제한합니다.

  • 데이터를 분석하는 데 사용된 알고리즘을 변경합니다.

  • 알고리즘 매개 변수를 설정하여 임계값, 트리 분할 또는 기타 중요한 조건을 제어합니다.

이 항목에서는 이러한 옵션에 대해 설명합니다.

모델에서 사용할 데이터 열과 해당 데이터를 사용 및 처리하는 방법에 대한 결정은 분석 결과에 큰 영향을 줍니다. 다음 항목에서는 이러한 선택 사항을 이해하는 데 도움이 되는 정보를 제공합니다.

기능 선택 사용

Analysis Services의 데이터 마이닝 알고리즘에서는 대부분 기능 선택이라는 프로세스를 사용하여 모델에 추가할 가장 유용한 특성만 선택합니다. 열과 특성 수를 줄이면 모델 품질 및 성능을 향상시킬 수 있습니다. 사용 가능한 기능 선택 방법은 선택한 알고리즘에 따라 달라집니다.

기능 선택(데이터 마이닝) .

사용법 변경

마이닝 모델에 포함할 열과 각 열의 사용 방법을 변경할 수 있습니다. 원하는 결과를 얻지 못한 경우 입력으로 사용한 열의 예제를 만들어 열을 올바르게 선택했는지, 그리고 다음을 포함하여 데이터 처리를 향상시키기 위해 수행할 수 있는 작업이 있는지 확인해야 합니다.

  • 레이블이 숫자로 잘못 지정된 범주 변수 확인

  • 범주를 추가하여 특성 수를 축소한 후 상관 관계를 보다 쉽게 확인

  • 숫자가 범주화되거나 분할되는 방식 변경

  • 고유 값이 많은 열 또는 주소나 중간 이름과 같이 실제로 데이터를 참조하고 분석에는 유용하지 않은 열 제거

실제로 마이닝 구조에서 열을 제거할 필요는 없으며 열에 무시로 플래그를 지정하기만 하면 됩니다. 열이 마이닝 모델에서 제거되지만 구조의 다른 마이닝 모델에서는 해당 열을 계속 사용할 수 있으며 드릴스루 쿼리에서 참조됩니다.

모델 열의 별칭 만들기

마이닝 모델을 만들 때 Analysis Services에서는 마이닝 구조에 있는 이름과 동일한 열 이름을 사용합니다. 마이닝 모델의 모든 열에 별칭을 추가할 수 있습니다. 이렇게 하면 열 내용 또는 사용법을 보다 쉽게 이해할 수 있으며 쿼리 작성 시 편리하도록 이름을 짧게 만들 수 있습니다. 별칭은 열의 복사본을 만들고 이해하기 쉬운 이름을 지정하려는 경우에도 유용합니다.

마이닝 모델 열의 Name 속성을 편집하여 별칭을 만듭니다. Analysis Services에서는 계속 원래 이름을 열의 ID로 사용하며 사용자가 Name에 입력하는 새 값이 열 별칭이 되어 표에서 열 사용법 옆에 괄호로 묶여 나타납니다.

마이닝 모델 열의 별칭

이 그림에서는 모두 소득과 관련된 마이닝 구조 열의 여러 복사본이 있는 관련 모델을 보여 줍니다. 구조 열의 각 복사본은 서로 다른 방식으로 불연속화되었습니다. 다이어그램의 모델은 각각 마이닝 구조의 다른 열을 사용하지만 모델 전체에서 열을 비교할 때 편리하도록 각 모델의 열 이름을 [Income]으로 바꾸었습니다.

필터 추가

마이닝 모델에 필터를 추가할 수 있습니다. 필터는 모델 사례의 데이터를 일부 하위 집합으로 제한하는 WHERE 조건 집합입니다. 필터는 모델을 학습할 때 사용되며 모델을 테스트하거나 정확도 차트를 만들 때 사용될 수도 있습니다.

필터를 추가하면 마이닝 구조를 다시 사용하되 크게 다른 데이터 하위 집합을 기반으로 모델을 만들 수 있습니다. 또는 필터를 사용하여 특정 행을 제거하고 분석 품질을 향상시킬 수도 있습니다.

자세한 내용은 마이닝 모델에 대한 필터(Analysis Services - 데이터 마이닝)를 참조하십시오.

마이닝 구조에 추가한 새 모델은 동일한 데이터 집합을 공유하지만 다른 알고리즘(데이터에서 지원하는 경우)을 사용하거나 알고리즘의 매개 변수를 변경하여 다른 결과를 얻을 수 있습니다. 또한 모델링 플래그를 설정할 수 있습니다.

선택한 알고리즘에 따라 결과의 종류가 결정됩니다. 특정 알고리즘이 작동하는 방법에 대한 일반적인 내용이나 특정 알고리즘을 사용하는 것이 이익이 되는 비즈니스 시나리오는 데이터 마이닝 알고리즘(Analysis Services - 데이터 마이닝)을 참조하십시오.

요구 사항 및 제한 사항에 대한 설명과 각 알고리즘에서 지원하는 사용자 지정 항목에 대한 자세한 내용은 각 알고리즘의 기술 참조 항목을 참조하십시오.

각 알고리즘에는 알고리즘의 동작을 사용자 지정하고 모델 결과를 미세 조정하는 데 사용할 수 있는 매개 변수가 지원됩니다. 각 매개 변수를 사용하는 방법은 다음 항목을 참조하십시오.

또한 각 알고리즘 유형에 대한 항목에서는 해당 알고리즘을 기반으로 하는 모델과 함께 사용할 수 있는 예측 함수가 나열됩니다.

속성 이름

적용 대상

AUTO_DETECT_PERIODICITY

Microsoft 시계열 알고리즘 기술 참조

CLUSTER_COUNT

Microsoft 클러스터링 알고리즘 기술 참조

Microsoft 시퀀스 클러스터링 알고리즘 기술 참조

CLUSTER_SEED

Microsoft 클러스터링 알고리즘 기술 참조

CLUSTERING_METHOD

Microsoft 클러스터링 알고리즘 기술 참조

COMPLEXITY_PENALTY

Microsoft 의사 결정 트리 알고리즘 기술 참조

Microsoft 시계열 알고리즘 기술 참조

FORCE_REGRESSOR

Microsoft 의사 결정 트리 알고리즘 기술 참조

Microsoft 선형 회귀 알고리즘 기술 참조

모델링 플래그(데이터 마이닝)

FORECAST_METHOD

Microsoft 시계열 알고리즘 기술 참조

HIDDEN_NODE_RATIO

Microsoft 신경망 알고리즘 기술 참조

HISTORIC_MODEL_COUNT

Microsoft 시계열 알고리즘 기술 참조

HISTORICAL_MODEL_GAP

Microsoft 시계열 알고리즘 기술 참조

HOLDOUT_PERCENTAGE

Microsoft 로지스틱 회귀 알고리즘 기술 참조

Microsoft 신경망 알고리즘 기술 참조

참고 참고

이 매개 변수는 마이닝 구조에 적용되는 홀드아웃 비율 값과 다릅니다.

HOLDOUT_SEED

Microsoft 로지스틱 회귀 알고리즘 기술 참조

Microsoft 신경망 알고리즘 기술 참조

참고 참고

이 매개 변수는 마이닝 구조에 적용되는 홀드아웃 초기값과 다릅니다.

INSTABILITY_SENSITIVITY

Microsoft 시계열 알고리즘 기술 참조

MAXIMUM_INPUT_ATTRIBUTES

Microsoft 클러스터링 알고리즘 기술 참조

Microsoft 의사 결정 트리 알고리즘 기술 참조

Microsoft 선형 회귀 알고리즘 기술 참조

Microsoft Naive Bayes 알고리즘 기술 참조

Microsoft 신경망 알고리즘 기술 참조

Microsoft 로지스틱 회귀 알고리즘 기술 참조

MAXIMUM_ITEMSET_COUNT

Microsoft 연결 알고리즘 기술 참조

MAXIMUM_ITEMSET_SIZE

Microsoft 연결 알고리즘 기술 참조

MAXIMUM_OUTPUT_ATTRIBUTES

Microsoft 의사 결정 트리 알고리즘 기술 참조

Microsoft 선형 회귀 알고리즘 기술 참조

Microsoft 로지스틱 회귀 알고리즘 기술 참조

Microsoft Naive Bayes 알고리즘 기술 참조

Microsoft 신경망 알고리즘 기술 참조

MAXIMUM_SEQUENCE_STATES

Microsoft 시퀀스 클러스터링 알고리즘 기술 참조

MAXIMUM_SERIES_VALUE

Microsoft 시계열 알고리즘 기술 참조

MAXIMUM_STATES

Microsoft 클러스터링 알고리즘 기술 참조

Microsoft 신경망 알고리즘 기술 참조

Microsoft 시퀀스 클러스터링 알고리즘 기술 참조

MAXIMUM_SUPPORT

Microsoft 연결 알고리즘 기술 참조

MINIMUM_IMPORTANCE

Microsoft 연결 알고리즘 기술 참조

MINIMUM_ITEMSET_SIZE

Microsoft 연결 알고리즘 기술 참조

MINIMUM_DEPENDENCY_PROBABILITY

Microsoft Naive Bayes 알고리즘 기술 참조

MINIMUM_PROBABILITY

Microsoft 연결 알고리즘 기술 참조

MINIMUM_SERIES_VALUE

Microsoft 시계열 알고리즘 기술 참조

MINIMUM_SUPPORT

Microsoft 연결 알고리즘 기술 참조

Microsoft 클러스터링 알고리즘 기술 참조

Microsoft 의사 결정 트리 알고리즘 기술 참조

Microsoft 시퀀스 클러스터링 알고리즘 기술 참조

Microsoft 시계열 알고리즘 기술 참조

MISSING_VALUE_SUBSTITUTION

Microsoft 시계열 알고리즘 기술 참조

MODELLING_CARDINALITY

Microsoft 클러스터링 알고리즘 기술 참조

PERIODICITY_HINT

Microsoft 시계열 알고리즘 기술 참조

PREDICTION_SMOOTHING

Microsoft 시계열 알고리즘 기술 참조

SAMPLE_SIZE

Microsoft 클러스터링 알고리즘 기술 참조

Microsoft 로지스틱 회귀 알고리즘 기술 참조

Microsoft 신경망 알고리즘 기술 참조

SCORE_METHOD

Microsoft 의사 결정 트리 알고리즘 기술 참조

SPLIT_METHOD

Microsoft 의사 결정 트리 알고리즘 기술 참조

STOPPING_TOLERANCE

Microsoft 클러스터링 알고리즘 기술 참조

이 정보가 도움이 되었습니까?
(1500자 남음)
의견을 주셔서 감사합니다.

커뮤니티 추가 항목

추가
표시:
© 2014 Microsoft. All rights reserved.