Model zawartości dla modeli regresją górnictwo (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.

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.

Zobacz także

Odwołanie

Koncepcje