Model zawartości dla sieci neuronowe modeli górnictwo (Analysis Services - wyszukiwania danych)
W tym temacie opisano model wyszukiwania zawartością specyficzną modeli używających algorytmu sieci neuronowe 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 sieci neuronowe
Każdy model sieci neuronowe ma węzeł nadrzędny pojedynczego, reprezentującą modelu i metadane i węzeł Statystyka kredytu marginalnego (NODE_TYPE = 24) zapewnia Statystyki opisowe informacje o atrybutach wejściowego.Węzeł Statystyka kredytu marginalnego jest przydatne, ponieważ podsumowywania informacji dotyczących nakładów, dzięki czemu nie trzeba danych kwerendy z pojedynczych węzłów.
Pod te dwa węzły są przynajmniej dwa dodatkowe węzły i może być wiele więcej, zależności liczby atrybutów przewidywalne ma modelu.
Pierwszy węzeł (NODE_TYPE = 18) zawsze reprezentuje węzłem wejściowym warstwy.Pod tym węzłem można znaleźć węzłów wejściowych (NODE_TYPE = 21) zawierają rzeczywiste wprowadzania atrybutów i ich wartości.
Kolejne węzły, które zawierają inne podsieć (NODE_TYPE = 17).Każda podsieć zawsze zawiera warstwy ukryte (NODE_TYPE = 19) i warstwy wyjściowy (NODE_TYPE = 20) dla tej podsieci.
Informacje wejściowe warstwy jest prosta: Węzeł najwyższego poziomu dla każdej warstwy wejściowy (NODE_TYPE = 18) służy jako organizatora kolekcja wprowadzania węzłów (NODE_TYPE = 21).W poniższej tabela opisano zawartości wejściowego węzłów.
Każda podsieć (NODE_TYPE = 17) reprezentuje analizy wpływu wprowadzania warstwy na określonego atrybut przewidywalne.Jeśli istnieje wiele wyjść przewidywalny, istnieje wiele podsieci.Warstwy ukryte dla każdej podsieci zawiera wiele węzłów ukryte (NODE_TYPE = 22) zawierające szczegóły dotyczące wag dla każdego przejścia, zakończoną dany węzeł ukryte.
Warstwa danych wyjściowych (NODE_TYPE = 20) zawiera węzły wyjściowe (NODE_TYPE = 23) każdy zawierać różne wartości atrybut przewidywalne.Jeżeli przewidywalny atrybut jest typu ciągłego dane liczbowe, istnieje tylko jeden węzeł wyjściowy dla atrybutu.
Ostrzeżenie
Logistyczne regresja korzysta z algorytmu szczególny przypadek neuronowe sieć ma tylko jeden wynik przewidywalny i potencjalnie wiele danych wejściowych.Logistyczne regresja nie używa warstwy ukryte.
Najprostszym sposobem eksplorować struktury danych wejściowych i podsieci jest użycie Przeglądarka Microsoft ogólnej zawartości drzewa.Kliknij dowolny węzeł, aby go rozwinąć i Zobacz węzły podrzędność lub wyświetlić ciężarów i inne statystyki zawarte w węźle.
Aby pracować z danymi i zobacz, jak skorelowany jest model danych wejściowych z wyjść, użyj Neuronowe podglądu sieci Microsoft.Za pomocą tej niestandardowe podglądu, 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.
Model zawartości dla modelu sieci neuronowe
Ta sekcja zawiera szczegółowe i przykłady tylko dla tych kolumn w model wyszukiwania zawartość ma szczególne znaczenie dla sieci neuronowe.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 atrybutów, które odpowiadają tym węźle.Węzeł
Zawartość
Modelu głównego
Blank
Marginalna statystyki
Blank
Warstwa wejściowe
Blank
Węzeł wejściowe
Nazwa atrybut wejściowe
Warstwy ukryte
Blank
Węzeł ukryte
Blank
Warstwa danych wyjściowych
Blank
Węzeł wyjściowy
Nazwa atrybut wyjściowego
NAZWA_WĘZŁA
Nazwa węzła.Kolumna ta zawiera taką samą wartość jak NODE_UNIQUE_NAME.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
Model sieci neuronowe 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.
20
Organizator węzeł wyjściowy warstwy.
21
Węzeł atrybut wejściowego.
22
Węzeł warstwy ukryte
23
Węzeł atrybut danych wyjściowych.
24
Węzeł Statystyka marginalny.
NODE_CAPTION
Etykiety lub podpis skojarzonego z tym węzłem.W modelach sieci neuronowe 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
Wskazuje liczbę ukryte węzły, które zostały utworzone przez model.
Węzeł ukryte
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
Węzeł ukryte
Liczba całkowita, która wskazuje sekwencję ukryte węzła listy węzłów.
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, który zawiera te same informacje kolumna NODE_DESCRIPTION.
Warstwy ukryte
Blank
Węzeł ukryte
Liczba całkowita, która wskazuje sekwencję ukryte węzła listy węzłów.
Warstwa danych wyjściowych
Blank
Węzeł wyjściowy
Fragment XML, który zawiera te same informacje kolumna NODE_DESCRIPTION.
MARGINAL_RULE
W przypadku modeli sieci neuronowe zawsze puste.NODE_PROBABILITY
Prawdopodobieństwo skojarzone z tym węzłem.W przypadku modeli sieci neuronowe zawsze 0.MARGINAL_PROBABILITY
Prawdopodobieństwo osiągnięcia węzła z węzła nadrzędnego.W przypadku modeli sieci neuronowe 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.NODE_SUPPORT
W przypadku modeli sieci neuronowe zawsze 0.Ostrzeżenie
Obsługa prawdopodobieństwa są zawsze 0, ponieważ dane wyjściowe tego modelu typu nie jest opóźnianie.Tylko wag, które mają znaczenie dla algorytmu; 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
Węzeł ukryte
Blank
Warstwa danych wyjściowych
Blank
Węzeł wyjściowy
Nazwa atrybut wejściowego.
MSOLAP_NODE_SCORE
Dla sieci neuronowe modelu, zawsze 0.MSOLAP_NODE_SHORT_CAPTION
W przypadku modeli sieci neuronowe zawsze puste.
Uwagi
Celem szkolenia model sieci neuronowe jest do ustalenia wagi, które są skojarzone z każdym przejścia od wejścia do punktu środkowego oraz od punktu środkowego punktu końcowego.Dlatego wprowadzania warstwa modelu istnieje głównie do przechowywania wartości rzeczywiste, używane do tworzenia modelu.Warstwy ukryte przechowuje wag, które zostały obliczone i udostępnia wskaźniki do wprowadzania atrybutów.Warstwa wyjścia przechowuje wartości przewidywalny i zapewnia również wskaźniki do punktów środkowych warstwy ukryte.
Przy użyciu nazwy węzłów i identyfikatory
Nazw węzłów w modelu sieci neuronowe zawiera dodatkowe informacje dotyczące typu węzeł, aby ułatwić dotyczą ukryte warstwy do warstwy wejściowe i wyjściowe warstwy do warstwy ukryte.W poniższej tabela przedstawiono Konwencji 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 |
Węzeł ukryte (22) |
Rozpoczyna się od 70000000000000000 |
Warstwa danych wyjściowych (20) |
50000000000000000 |
Węzeł wyjściowy (23) |
Rozpoczyna się od 80000000000000000 |
Można określić wprowadzania atrybutów, które są związane z węzła konkretnej warstwy ukryte, wyświetlając tabela NODE_DISTRIBUTION w węźle ukryte (NODE_TYPE = 22).Każdy wiersz w tabela NODE_DISTRIBUTION zawiera identyfikator węzła atrybut wejściowego.
Podobnie, można określić ukrytych warstw, które są związane z atrybut wyjścia, wyświetlając tabela NODE_DISTRIBUTION w węźle wyjściowy (NODE_TYPE = 23).Każdy wiersz w tabela NODE_DISTRIBUTION zawiera identyfikator węzła ukrytej warstwie, wraz ze współczynnikiem pokrewne.
Interpretacja informacji w tabeli NODE_DISTRIBUTION
Tabela NODE_DISTRIBUTION może być pusty w niektórych węzłach.Węzły wejściowe, warstwy ukryte węzły i węzły wyjściowe tabela NODE_DISTRIBUTION przechowuje ważne i interesujące informacje na temat modelu.Aby zinterpretować te informacje w tabela NODE_DISTRIBUTION zawiera kolumna VALUETYPE dla każdego wiersza, informujący o tym, czy wartość kolumna ATTRIBUTE_VALUE jest dyskretnych (4), Discretized (5) lub ciągły (3).
Węzły wejściowe
Warstwa wejściowy zawiera węzła dla każdej wartości atrybut, który został użyty w modelu.
Atrybut discrete: Węzeł wprowadzania przechowuje tylko nazwę atrybut i jego wartości w kolumnach ATTRIBUTE_NAME i ATTRIBUTE_VALUE.Na przykład jeśli kolumna [robocza], oddzielne węzła jest tworzony dla każdej kolumny użytej w modelu, takie jak AM i PM.Tabela NODE_DISTRIBUTION dla każdego węzła wyświetla bieżącą wartość atrybut.
Discretized atrybut numeryczny: Węzeł wprowadzania przechowuje nazwę atrybut i wartość, która może być zakres lub określoną wartość.Wszystkie wartości są reprezentowane przez wyrażenia takie jak "77.4 87.4" lub " <64.0 " wartość [czas na wydanie].Tabela NODE_DISTRIBUTION dla każdego węzła wyświetla bieżącą wartość atrybut.
Atrybut ciągłego: Węzeł wprowadzania przechowuje średniej wartości atrybut.Tabela NODE_DISTRIBUTION dla każdego węzła wyświetla bieżącą wartość atrybut.
Węzły warstwy ukryte
Warstwy ukryte zawiera zmienną liczbę węzłów.W każdym węźle w NODE_DISTRIBUTION tabela zawiera mapowania z warstwy ukryte węzły w wejściowy warstwy.Kolumna ATTRIBUTE_NAME zawiera identyfikator węzła, który odpowiada węzła w wejściowy warstwy.Kolumna ATTRIBUTE_VALUE zawiera wagę skojarzone z takiej kombinacji węzeł wejściowych i węzeł warstwy ukryte.Ostatni wiersz tabela zawiera współczynnik reprezentujący wagę tego węzła ukryte warstwy ukryte.
Węzły wyjściowe
Warstwa wyjście zawiera jeden węzeł wyjściowy dla każdej wartości wyjściowych, używany w modelu.W każdym węźle w NODE_DISTRIBUTION tabela zawiera mapowania z warstwy wyjścia węzły w ukrytej warstwie.Kolumna ATTRIBUTE_NAME zawiera identyfikator węzła, który odpowiada węzła w ukrytej warstwie.Kolumna ATTRIBUTE_VALUE zawiera wagę skojarzone z takiej kombinacji węzeł wyjściowy i węzeł warstwy ukryte.
Tabela NODE_DISTRIBUTION zawiera następujące informacje dodatkowe, w zależności od tego, czy typ atrybut:
**Atrybut discrete:**Końcowe dwa wiersze w tabela NODE_DISTRIBUTION zawiera współczynnik dla węzła jako całości i bieżącą wartość atrybut.
Discretized atrybut numeryczny: Identyczne discrete atrybut, z wyjątkiem, że wartość atrybut jest zakres wartości.
Atrybut ciągłego: Końcowe dwa wiersze w tabela NODE_DISTRIBUTION zawierać średnią atrybut współczynnik dla węzłów jako całości i współczynnik odchylenia.