Podczas badania modeli wyszukiwania danych (Analysis Services — wyszukiwanie danych)

Kwerendy pojedynczych przydaje się wtedy, gdy chcesz utworzyć prostą prognoz w rzeczywistym czas.Można na przykład, może być informacje można uzyskać od nabywcy, korzystając z witryna sieci Web i zwracać prognoz przedstawione jako zalecenia określonego dla tego klienta za pomocą tych danych.Także może analizować zawartość wiadomości e-mail, a następnie użyć istniejącego modelu klasyfikacji, aby przypisać kategorię do wiadomości e-mail i rozsyłać ją odpowiednio.

Pojedyncza kwerendy nie wymaga osobnej tabela, która zawiera dane wejściowe.Zamiast tego należy przekazać jeden wiersz danych do modelu i zwracany jest pojedynczy przewidywanie w czasie rzeczywistym.Kwerendy pojedynczych dokonanie wielu prognoz przez wpisanie instrukcja SELECT zawierającej jeden przypadek Dodawanie operator połączenia, a następnie wpisując innej instrukcja SELECT, aby określić innego przypadku można rozszerzać.

Pojedyncza kwerend względem istniejącego modelu można tworzyć w następujący sposób:

• Za pomocą projektanta wyszukiwanie danych.

• Za pomocą szablonu pojedynczych kwerendy.

• Podczas tworzenia sprawozdania DMX programowo lub w innym Analysis Services klient.

Podczas tworzenia kwerendy pojedynczych, musisz podać nowe dane do modelu w postaci przewidywanie łączyć.Oznacza to, że nawet wtedy, gdy nie jest mapowany do rzeczywistego tabela, należy upewnić się, że nowe dane odpowiada istniejących kolumn w model wyszukiwania.Jeśli nowe kolumny danych i nowych danych, zgodne, Analysis Services będzie mapować kolumn dla Ciebie. Jest to FIZYCZNE łączyć przewidywanie.Jednak jeżeli kolumny nie pasują do siebie lub nowych danych nie zawiera tego samego typu i ilości danych, który znajduje się w modelu, należy określić, które kolumny na mapie modelu do nowych danych lub określ brakujących wartości.

Aby uzyskać informacje dotyczące tworzenia pojedynczych kwerendę w Konstruktorze wyszukiwanie danych zobacz Jak Tworzenie kwerendy Singleton w Konstruktorze wyszukiwanie danych i Tworzenie kwerendy prognozowania DMX za pomocą Konstruktora kwerend prognozowania.

Aby uzyskać informacje dotyczące korzystania z DMX utworzyć kwerendę pojedynczych zobacz przewidywanie kwerendy (DMX).

Na przykład jak używać szablonów DMX kwerendy w SQL Server Management Studio, zobacz Jak Tworzenie kwerendy Singleton prognozowania z szablonu.

Powrót do początku

Podczas wykonywania łączyć przewidywanie mapowania modelu na nowe urządzenie źródłowe danych, a Analysis Services następnie tworzy prognoz dla każdego wiersza w nowe dane oparte na wzorce w modelu. łączyć przewidywanie jest użyteczne, gdy masz dużej ilości informacji w tabela lub innego urządzenie źródłowe danych zewnętrznych i chcesz dokonać przy użyciu modelu wyszkolonych prognoz.

Można utworzyć partia kwerend przewidywanie względem istniejącego modelu w następujący sposób:

• Za pomocą projektanta wyszukiwanie danych.

• Za pomocą szablonu.

• Podczas tworzenia sprawozdania DMX programowo lub w innym Analysis Services klient.

• Jeśli tworzysz kwerendę przewidywanie instancji przy użyciu projektanta wyszukiwanie danych, z zewnętrznym źródłem danych, najpierw musi być zdefiniowany jako widoku urządzenie źródłowe danych.

Jeśli używasz DMX do tworzenia przewidywanie w wypadku łączyć zewnętrznego źródła danych można określić przy użyciu polecenia OPENQUERY, OPENROWSET lub SHAPE.Metoda dostępu danych domyślnych w szablonach DMX jest OPENQUERY.Aby uzyskać informacje dotyczące tych metod zobacz <urządzenie urządzenie źródłowewe danych kwerendy>.

Niezależnie od sposobu zdefiniowania danych zewnętrznych urządzenie źródłowe danych przez użytkownika musi zawierać kolumny z danymi, które jest podobne do danych w modelu.Jednak nowe informacje mogą być niekompletne.Na przykład listy klientów może mieć kolumna okres ważności, ale nie informacji na temat dochodów.Nawet jeśli danych dochodów był używany podczas szkoleń w modelu, można nadal mapować nowych danych do modelu i utworzyć przewidywanie; jednak w niektórych przypadkach brak pełne informacje mogą mieć wpływ na jakość prognoz.

Aby uzyskać najlepsze wyniki, należy dołączyć tyle w odpowiadających kolumnach możliwie między nowymi danymi i modelu.Jednak kwerendy powiedzie się nawet wtedy, gdy nie mają odpowiedników.Jeśli kolumny nie są sprzężone, kwerendy będą zwracać marginalna przewidywanie, co jest równoważne instrukcja SELECT <predictable-column> FROM <model> bez klauzula łączyć przewidywanie.

Kwerendy przewidywanie nie przypomina kwerendy relacyjnej bazy danych.Każdy przewidywanie dodane do kwerendy funkcji zwraca swój własny zestaw wierszy.Dlatego po dokonaniu przewidywanie przypadek pojedynczego, wynik może być przewidywane wartości wraz z kilku kolumn zagnieżdżonych tabel zawierających dodatkowe szczegóły.

Za każdym razem, gdy łączy się z wielu funkcji w jednej kwerendzie zwrotu wyniki są łączone w hierarchiczną zestawu zestaw wierszy.Niemniej jednak jeśli dostawca nie może obsłużyć hierarchicznych zestawów wierszy, można spłaszczyć wyniki przy użyciu słowa kluczowego FLATTEN w kwerendzie przewidywanie.

Aby uzyskać więcej informacji, łącznie z przykładami spłaszczone zestawów wierszy zobacz WYBIERZ (DMX).

Modele serii czas zapewnia większą elastyczność w sposób, za pomocą nowych danych i tworzenie prognoz.Możesz albo użyć modelu postaci, w jakiej jest tworzenie prognoz, lub można wprowadzać nowe dane do modelu, aby zaktualizować prognoz opartych na najnowszych trendów.Po dodaniu nowych danych, można określić sposób nowe dane powinny być używane rozszerzenie przypadkach modelu lub zastąpić przypadkach modelu.

Rozszerzenie modelu przypadków, dodawanie nowych danych fakt w modelu serii czas i dalsze prognoz są oparte na serii nowych, połączone.Po zamianie przypadkach modelu zachować wyszkolonych modelu, ale podstawowej przypadkach należy zastąpić nowy zestaw danych przypadek.

Niezależnie od podejścia, których używasz punktem początkowym dla prognoz jest zawsze koniec oryginalnej serii.

Na przykład załóżmy, że istniejący model serii czas, który ma zostać szkolony na dane o sprzedaży z poprzedniego roku.Po zostały zebrane kilka miesięcy nowe dane dotyczące sprzedaży, użytkownik chce zaktualizować swoje prognozy sprzedaży dla bieżącego roku.Można utworzyć łączyć przewidywanie aktualizuje model przez dodanie nowych danych i rozszerza model, aby utworzyć nowe prognoz.

Alternatywnie można może budowania modelu na podstawie istniejących danych, a następnie utwórz łączyć prognozowania, który zastępuje przypadków dane nowymi danymi.Jest to przydatne, jeśli na przykład, jeden sklep nie ma dużej ilości danych i ma być używany model oparty na inne dane magazynu dokonać prognoz.Aby uzyskać więcej informacji dotyczących sposobu tworzenia sprzężeń przewidywanie w modelach serii czas, zobacz temat kwerenda modele serii czas lub PredictTimeSeries (DMX).

Powrót do początku

Można użyć SELECT FROM <Model>Instrukcja .CONTENT zwrócić rodzajów zawartości, w zależności od typu modelu wykonywana jest kwerenda. W przypadku modelu skojarzenia węzły, które reprezentują reguły mają wartość NODE_TYPE 8, itemsets mają wartość NODE_TYPE 7.W ten sposób poniższa kwerenda zwróci itemsets 10 najlepszych, uporządkowane według pomocy technicznej (domyślna kolejność).

SELECT TOP 10 NODE_DESCRIPTION, NODE_PROBABILITY, SUPPORT
FROM <model>.CONTENT WHERE NODE_TYPE = 7

W poniższym przykładzie są zwracane trzy kolumny: Identyfikator węzła, pełną reguły i produktu po prawej stronie itemset — to znaczy jest przewidywane mają być skojarzone z niektórych innych produktów w ramach itemset produktu.

Słowo kluczowe FLATTENED wskazuje, że ma być konwertowany zagnieżdżonych zestawu zestaw wierszy do tabela płaski.Atrybut, który reprezentuje produkt po prawej stronie reguły zawarte w tabela NODE_DISTRIBUTION, dlatego firma Microsoft pobierać tylko wiersz zawierający nazwy typu atrybutu przez dodanie wymaganie, że długość jest większa niż 2.Funkcja prosty ciąg umożliwia usunięcie nazwy modelu z trzeciej kolumna.Zwykle nazwa modelu zawsze jest poprzedzona do wartości z kolumn zagnieżdżonych.Klauzula WHERE określa, że wartość NODE_TYPE powinno być 8, aby pobierać tylko te reguły.

SELECT FLATTENED NODE_UNIQUE_NAME , NODE_DESCRIPTION,
     (SELECT RIGHT(ATTRIBUTE_NAME, (LEN(ATTRIBUTE_NAME)-LEN('Association model name'))) 
FROM NODE_DISTRIBUTION
WHERE LEN(ATTRIBUTE_NAME)>2
) 
AS RightSideProduct
FROM [<Association model name>].CONTENT
WHERE NODE_TYPE = 8 
ORDER BY NODE_SUPPORT DESC

Aby uzyskać więcej przykładów zobacz Podczas badania model skojarzenia (Analysis Services — wyszukiwanie danych).

Jest jeden scenariusz, w przypadku gdy kwerendy model zawartości jest przydatne w przypadku kolejnych czynności związanych z kwerendy przewidywanie przez regułę, w tym artykule wyjaśniono, dlaczego został przewidywane tego stanu.Na przykład, można dodać przewidywanie funkcji PredictNodeId (DMX) Aby kwerendę, aby uzyskać identyfikator węzła, który zawiera regułę, używając następującej składni:

SELECT  Predict([Bike Buyer]), PredictNodeID([Bike Buyer]) 
FROM [<decision tree model name>]
PREDICTION JOIN 
<input rowset> 

Dla modelu drzewo decyzyjne podpis zawiera opis ścieżka do wyniku.W związku z tym gdy identyfikator węzła, który zawiera wyniki, można pobrać reguły lub ścieżka, która wyjaśnia przewidywanie przez utworzenie kwerendy zawartości, takich jak:

SELECT NODE_CAPTION
FROM [<decision tree model name>] 
WHERE NODE_UNIQUE_NAME= '<node id>'

Aby uzyskać więcej przykładów zobacz Podczas badania modelu drzewa decyzji (Analysis Services — wyszukiwanie danych).

Powrót do początku