Model zawartości dla modeli regresją górnictwo (Analysis Services - wyszukiwania danych)
W tym temacie opisano model wyszukiwania zawartością specyficzną modeli używających algorytmu regresją firmy Microsoft.Wyjaśnienie sposobu zinterpretowania statystyki i struktury współużytkowane przez wszystkie typy modeli i ogólne definicje pojęć związanych z model wyszukiwania zawartości, zobacz Górnictwo modelu zawartości (Analysis Services - wyszukiwania danych).
Opis struktury modelu regresją
Logistyczne regresja modelu jest tworzony przy użyciu algorytmu sieci neuronowe firmy Microsoft z parametrami, które ograniczyć model, aby wyeliminować ukryte węzła.Dlatego ogólną strukturę logistyczne regresja model jest niemal identyczne z sieci neuronowe: każdego modelu ma węzeł nadrzędny pojedynczego, reprezentującą modelu i metadane i węzeł Statystyka marginalny specjalne (NODE_TYPE = 24) zapewnia Statystyki opisowe dotyczące składników produkcji wykorzystanych w modelu.
Ponadto model zawiera podsieć (NODE_TYPE = 17) dla każdego atrybut przewidywalne.Podobnie jak w modelu sieci neuronowe, każda podsieć zawsze zawiera dwie gałęzie: jeden dla wprowadzania warstwy i innych gałęzi, zawierającego warstwy ukryte (NODE_TYPE = 19) i warstwy wyjściowy (NODE_TYPE = 20) dla sieci.Tej samej podsieci mogą służyć dla wielu atrybutów, jeśli są one określane jako tylko do przewidywania.Przewidywalne atrybutów, które są również nakładów mogą nie pojawiać się w tej samej podsieci.
Jednakże w logistyczne regresja model węzeł reprezentujący ukrytej warstwie jest pusty i nie ma elementów podrzędnych.Dlatego model zawiera węzły, które reprezentują pojedyncze wyjść (NODE_TYPE = 23) i indywidualnych nakładów (NODE_TYPE = 21), ale nikt ukryte węzły.
Domyślnie logistyczne regresja modelu jest wyświetlona w Neuronowe podglądu sieci Microsoft.Ten niestandardowy Viewer można filtrować w wejściowy atrybutów i ich wartości i graficznie Zobacz ich wpływ na wydajność.Etykietki narzędzi w podglądzie Pokaż prawdopodobieństwa i skojarzone z każdej pary danych wejściowych i wyjściowych wartości dźwigu.Aby uzyskać więcej informacji, zobacz Wyświetlanie modelu górnictwo z Microsoft podglądu sieci neuronowe.
Badanie struktury danych wejściowych i podsieci i zobaczyć szczegółowych statystyk, można użyć przeglądarki Microsoft ogólnej zawartości drzewa.Kliknij w dowolnym węźle, aby go rozwinąć i Zobacz węzły podrzędność lub wyświetlić ciężarów i inne statystyki zawarte w węźle.
Model zawartości logistyczne modelu regresji
Ta sekcja zawiera szczegółowe i przykłady tylko dla tych kolumn w zawartości modelu górnictwa, które mają szczególne znaczenie dla logistyczne regresja.Model zawartości jest niemal identyczne z modelu sieci neuronowe, ale może się powtarzać opisy, które dotyczą sieci neuronowe modele w tej tabela dla wygody.
Aby uzyskać informacje dotyczące ogólnego przeznaczenia kolumn w zestawie zestaw wierszy schematu, takie jak MODEL_CATALOG i nazwa_modelu, który nie opisane tutaj lub dla wyjaśnienia model wyszukiwania terminologii, zobacz Górnictwo modelu zawartości (Analysis Services - wyszukiwania danych).
MODEL_CATALOG
Nazwa bazy danych, w którym przechowywany jest model.NAZWA_MODELU
Nazwa modelu.ATTRIBUTE_NAME
Nazwy atrybut, który odpowiada w tym węźle.Węzeł
Zawartość
Modelu głównego
Blank
Marginalna statystyki
Blank
Warstwa wejściowe
Blank
Węzeł wejściowe
Nazwa atrybut wejściowe
Warstwy ukryte
Blank
Warstwa danych wyjściowych
Blank
Węzeł wyjściowy
Nazwa atrybut wyjściowego
NAZWA_WĘZŁA
Nazwa węzła.Obecnie ta kolumna zawiera taką samą wartość jak NODE_UNIQUE_NAME, chociaż może to spowodować zmianę w przyszłych wydaniach.NODE_UNIQUE_NAME
Unikatowa nazwa węzła.Aby uzyskać więcej informacji na temat jak nazw i identyfikatorów dostarcza strukturalnych informacji o modelu, zobacz sekcję przy użyciu nazwy węzłów i identyfikatory.
NODE_TYPE
Logistyczne regresja modelu wyświetla następujące typy węzłów:Identyfikator typu węzła
Opis
1
Model.
17
Organizator węzła dla podsieci.
18
Organizator węzła dla wprowadzania warstwy.
19
Węzeł organizatora warstwy ukryte.Warstwy ukryte jest pusty.
20
Organizator węzeł wyjściowy warstwy.
21
Węzeł atrybut wejściowego.
23
Węzeł atrybut danych wyjściowych.
24
Węzeł Statystyka marginalny.
NODE_CAPTION
Etykiety lub podpis skojarzonego z tym węzłem.W logistyczne regresja modeli, zawsze puste.CHILDREN_CARDINALITY
Oszacowanie liczby dzieci, które ma węzła.Węzeł
Zawartość
Modelu głównego
Wskazuje liczbę węzłów podrzędność, które obejmuje co najmniej 1 sieci, 1 wymaganego węzła marginalny i 1 warstwy wejściowe wymagane.Na przykład jeśli wartość jest 5, istnieją podsieci 3.
Marginalna statystyki
Zawsze 0.
Warstwa wejściowe
Wskazuje liczbę par wprowadzania wartości atrybut, które były używane przez model.
Węzeł wejściowe
Zawsze 0.
Warstwy ukryte
W logistyczne regresja modelu zawsze 0.
Warstwa danych wyjściowych
Wskazuje liczbę wartości wyjściowych.
Węzeł wyjściowy
Zawsze 0.
PARENT_UNIQUE_NAME
Unikatowa nazwa węzła nadrzędnego.Dla wszystkich węzłów poziom głównym, zwracana jest wartość NULL.Aby uzyskać więcej informacji na temat jak nazw i identyfikatorów dostarcza strukturalnych informacji o modelu, zobacz sekcję przy użyciu nazwy węzłów i identyfikatory.
NODE_DESCRIPTION
Przyjazny opis węzła.Węzeł
Zawartość
Modelu głównego
Blank
Marginalna statystyki
Blank
Warstwa wejściowe
Blank
Węzeł wejściowe
Nazwa atrybut wejściowe
Warstwy ukryte
Blank
Warstwa danych wyjściowych
Blank
Węzeł wyjściowy
Jeśli atrybut danych wyjściowych jest ciągła, zawiera nazwę atrybutu danych wyjściowych.
Jeśli atrybut danych wyjściowych jest discrete lub discretized, zawiera nazwę atrybutu i wartości.
NODE_RULE
XML opis reguły, która jest osadzony w węźle.Węzeł
Zawartość
Modelu głównego
Blank
Marginalna statystyki
Blank
Warstwa wejściowe
Blank
Węzeł wejściowe
Fragment XML zawierający te same informacje kolumna NODE_DESCRIPTION.
Warstwy ukryte
Blank
Warstwa danych wyjściowych
Blank
Węzeł wyjściowy
Fragment XML zawierający te same informacje kolumna NODE_DESCRIPTION.
MARGINAL_RULE
Dla logistyczne regresja modeli, zawsze puste.NODE_PROBABILITY
Prawdopodobieństwo skojarzone z tym węzłem.Dla logistyczne regresja modele zawsze 0.MARGINAL_PROBABILITY
Prawdopodobieństwo osiągnięcia węzła z węzła nadrzędnego.Dla logistyczne regresja modele zawsze 0.NODE_DISTRIBUTION
Zagnieżdżona tabela zawiera informacje statystyczne dla węzła.Szczegółowe informacje dotyczące zawartości tej tabela dla każdego typu węzła, zobacz sekcję opis tabela NODE_DISTRIBUTION w Model zawartości dla sieci neuronowe modeli górnictwo (Analysis Services - wyszukiwania danych).NODE_SUPPORT
Dla logistyczne regresja modele zawsze 0.Ostrzeżenie
Obsługa prawdopodobieństwa są zawsze 0, ponieważ dane wyjściowe tego modelu typu nie jest opóźnianie.Znaczenie dla algorytmu się tylko wagi; Dlatego algorytm nie obliczyć prawdopodobieństwo, pomocy technicznej lub WARIANCJA.
Aby uzyskać informacje o pomocy technicznej w przypadkach szkolenia dla określonych wartości, zobacz węzeł Statystyka marginalny.
MSOLAP_MODEL_COLUMN
Węzeł
Zawartość
Modelu głównego
Blank
Marginalna statystyki
Blank
Warstwa wejściowe
Blank
Węzeł wejściowe
Nazwa atrybut wejściowego.
Warstwy ukryte
Blank
Warstwa danych wyjściowych
Blank
Węzeł wyjściowy
Nazwa atrybut wejściowego.
MSOLAP_NODE_SCORE
W logistyczne regresja modele zawsze 0.MSOLAP_NODE_SHORT_CAPTION
W logistyczne regresja modeli, zawsze puste.
Przy użyciu nazwy węzłów i identyfikatory
Nadawanie nazw węzłów logistyczne regresja model zawiera dodatkowe informacje na temat relacji między węzłami w modelu.W poniższej tabela przedstawiono konwencje dla identyfikatorów, które są przypisane do węzłów w każdej warstwie.
Typ węzła |
Konwencja o identyfikator węzła |
---|---|
Model główny (1) |
00000000000000000. |
Węzeł Statystyka kredytu marginalnego (24) |
10000000000000000 |
Warstwa wejściowy (18) |
30000000000000000 |
Węzeł wejściowy (21) |
Rozpoczyna się od 60000000000000000 |
Podsieć (17) |
20000000000000000 |
Warstwy ukryte (19) |
40000000000000000 |
Warstwa danych wyjściowych (20) |
50000000000000000 |
Węzeł wyjściowy (23) |
Rozpoczyna się od 80000000000000000 |
Aby ustalić, jak atrybuty dane wyjściowe są związane z konkretnej warstwy wprowadzania atrybuty wyświetlając tabela NODE_DISTRIBUTION węzła wyjściowego, można użyć tych identyfikatorów.Każdy wiersz tabela zawiera identyfikator wskazuje węzeł określony atrybut wejściowy.Tabela NODE_DISTRIBUTION zawiera także współczynnik dla tej pary wejścia wyjścia.