Model zawartości dla sieci neuronowe modeli górnictwo (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.

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.

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

Węzły warstwy ukryte

Węzły wyjściowe

Zobacz także

Odwołanie

Koncepcje