Podczas badania modelu drzewa decyzji (Analysis Services — wyszukiwanie danych)

Za pomocą kwerend wysyłanych do zestaw zestaw wierszy schematu wyszukiwanie danych, można znaleźć metadane dotyczące modelu, takie jak jego utworzenia, podczas ostatniego przetworzenia modelu, nazwa struktura wyszukiwania na podstawie modelu i nazwę kolumna, używane jako atrybut przewidywalne.Można także wrócić parametrów, które były używane, gdy najpierw została utworzona w modelu.

select MINING_PARAMETERS 
from $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'TM_Decision Tree'

Przykładowe wyniki:

MINING_PARAMETERS

COMPLEXITY_PENALTY = 0,5 MAXIMUM_INPUT_ATTRIBUTES = 255 MAXIMUM_OUTPUT_ATTRIBUTES = 255 MINIMUM_SUPPORT = 10 SCORE_METHOD = 4 SPLIT_METHOD = 3 FORCE_REGRESSOR =

Powrót do początku

Następująca kwerenda zwraca niektóre podstawowe informacje o modelu drzewo decyzyjne, utworzone w Podstawowe wyszukiwanie danych — samouczek. Ta kwerenda zwraca wszystkie węzły typu 2, czyli węzłów najwyższego poziom w drzewie, która reprezentuje określonego atrybut przewidywalne.Ponieważ ten model zawiera pojedynczy atrybut przewidywalny, istnieje tylko jeden węzeł drzewa.Niemniej jednak jeśli tworzysz model skojarzenia za pomocą algorytmu algorytmów, mogą występować setki drzewa, jeden dla każdego produktu.

SELECT MODEL_NAME, NODE_NAME, NODE_CAPTION, 
NODE_SUPPORT, [CHILDREN_CARDINALITY]
FROM TM_DecisionTrees.CONTENT
WHERE NODE_TYPE = 2

Przykład wyniki:

W modelu drzewa decyzji, relacja określonym węźle informuje ile bezpośrednie elementy podrzędne, ma w tym węźle.Dlatego Kardynalność dla węzła, zwracanych przez kwerendę poprzedniego informuje czy model podzielony zapełnianie miejsce docelowe potencjalnych nabywców roweru podgrup 5.W następującej kwerendzie powiązane zwraca elementy podrzędność dla tych pięciu podgrupy, łącznie z rozkładem atrybutów i wartości w węzłach podrzędność.Ponieważ statystyki, takie jak obsługa, prawdopodobieństwo i odchylenia są przechowywane w tabela zagnieżdżonej NODE_DISTRIBUTION, w tym przykładzie użyto FLATTENED słowo kluczowe do wyprowadzenia kolumny tabela zagnieżdżonej.

SELECT FLATTENED NODE_NAME, NODE_CAPTION,
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE, [SUPPORT]
FROM NODE_DISTRIBUTION) AS t
FROM TM_DecisionTree.CONTENT
WHERE [PARENT_UNIQUE_NAME] = '000000001'

Przykład wyniki:

Z tych wyniki, można stwierdzić, że klienci, którzy zakupione (rower[Bike Buyer] = 1), klienci 1067 miał 0 samochodów i 473 klientów były samochodów 3.

Załóżmy, że chce wykryć więcej o klientach, którzy kupują rowerów.Umożliwia wyświetlanie dodatkowych szczegółów dla każdego z sub-trees przy użyciu IsDescendant (DMX) Funkcja w kwerendzie, jak pokazano w poniższym przykładzie. Zwraca liczbę nabywców rowerów, pobierając węzłów liściowych (NODE_TYPE = 4) z drzewa, który zawiera klientów, którzy są ponad 42 roku życia.Kwerendy ogranicza wiersze z tabela zagnieżdżonej do tych gdzie kupujących Bike = 1.

SELECT FLATTENED NODE_NAME, NODE_CAPTION,NODE_TYPE,
(
SELECT [SUPPORT] FROM NODE_DISTRIBUTION WHERE ATTRIBUTE_NAME = 'Bike Buyer' AND ATTRIBUTE_VALUE = '1'
) AS t
FROM TM_DecisionTree.CONTENT
WHERE ISDESCENDANT('0000000010001')
AND NODE_TYPE = 4

Przykład wyniki:

Powrót do początku

Podczas tworzenia modelu drzewo decyzyjne, który zawiera regresja w atrybucie ciągłego tworzenie prognoz za pomocą formuły regresja, lub można wyodrębnić informacji o formule regresja.Aby uzyskać więcej informacji na temat kwerendy w modelach regresja zobacz Podczas badania modelu regresja liniowej (Analysis Services — wyszukiwanie danych).

Jeśli model zawiera węzły regresja i węzłów, które są podzielone na discrete atrybuty lub zakresy, można utworzyć kwerendę zwracającą tylko węzeł regresja.Tabela NODE_DISTRIBUTION zawiera szczegółowe informacje o formule regresja.W tym przykładzie są spłaszczane kolumn i tabela NODE_DISTRIBUTION jest aliasu dla ich łatwiejszego oglądania.Jednak w tym modelu nie regressors znaleziono powiązanie Przychód z innych atrybutów stałego.W takich przypadkach Analysis Services Zwraca średnią wartość atrybut i Wariancja całkowita model dla tego atrybut.

SELECT FLATTENED NODE_DISTRIBUTION AS t
FROM DT_Predict. CONTENT
WHERE NODE_TYPE = 25

Przykład wyniki:

Aby uzyskać więcej informacji na temat typów wartości i statystyk, używane w modelach regresja zobacz model wyszukiwania Zawartości dla modeli regresji liniowej (Analysis Services — wyszukiwanie danych).

Powrót do początku

W następującej kwerendzie przykładowej korzysta z modelu drzewo decyzyjne, który został utworzony w Podstawowe wyszukiwanie danych — samouczek i przechodzi przykładowe dane tabela w AdventureWorks DW, dbo.ProspectiveBuyers do modelu do przewidywania, której klienci na liście zakupu rowerów. Kwerenda zawiera funkcja prognozowania PredictHistogram (DMX), która zwraca zagnieżdżonej tabela, która zawiera użyteczne informacje na temat prawdopodobieństw, odnalezione przez model. Prognoz są filtrowane, dodając klauzulę WHERE, aby zwrócić tylko tych, którzy są przewidziane jako nabywców roweru może z prawdopodobieństwem większej niż 50 %.

SELECT
  [TM_DecisionTree].[Bike Buyer],
  PredictHistogram([Bike Buyer]) as Results
FROM
  [TM_DecisionTree]
PREDICTION JOIN
  OPENQUERY([Adventure Works DW],
    'SELECT
      [FirstName],
      [LastName],
      [MaritalStatus],
      [Gender],
      [YearlyIncome],
      [TotalChildren],
      [NumberChildrenAtHome],
      [HouseOwnerFlag],
      [NumberCarsOwned]
    FROM
      [dbo].[ProspectiveBuyer]
    ') AS t
ON
  [TM_DecisionTree].[First Name] = t.[FirstName] AND
  [TM_DecisionTree].[Last Name] = t.[LastName] AND
  [TM_DecisionTree].[Marital Status] = t.[MaritalStatus] AND
  [TM_DecisionTree].[Gender] = t.[Gender] AND
  [TM_DecisionTree].[Yearly Income] = t.[YearlyIncome] AND
  [TM_DecisionTree].[Total Children] = t.[TotalChildren] AND
  [TM_DecisionTree].[Number Children At Home] = t.[NumberChildrenAtHome] AND
  [TM_DecisionTree].[House Owner Flag] = t.[HouseOwnerFlag] AND
  [TM_DecisionTree].[Number Cars Owned] = t.[NumberCarsOwned]
WHERE [Bike Buyer] = 1
AND PredictProbability([Bike Buyer]) >'.05'

Domyślnie Analysis Services Zwraca zagnieżdżone tabele z etykietą kolumna wyrażenie. Wygładzanie kolumna, która jest zwracana można zmienić tej etykiety.Jeśli to zrobisz, alias (w tym przypadek Wyniki) jest używana jako nagłówek kolumna, a wartości w tabela zagnieżdżonej.Należy rozwinąć, aby wyświetlić wyniki w tabela zagnieżdżonej.

Przykład wyniki:

Jeśli dostawca nie obsługuje hierarchicznych zestawów wierszy, takie jak przedstawione tutaj wyniki, umożliwia FLATTENED słowo kluczowe w kwerendzie zwraca wyników jako tabela, która zawiera wartości null w miejscach występowania wartości kolumna powtarzających się.Aby uzyskać więcej informacji zobacz Zagnieżdżone tabele (Analysis Services — wyszukiwanie danych) lub Opis instrukcja SELECT (DMX).

Powrót do początku

Przy użyciu następującej kwerendy, utworzyć kopię modelu skojarzeń samouczka i zmieniać algorytmu w algorytmie algorytmów.Aby uzyskać więcej informacji zobaczLekcja 3: Tworzenie scenariusza koszyk rynku (samouczek wyszukiwanie danych pośrednich).

W następującej kwerendzie przykładowej jest pojedyncza kwerendy, które można łatwo tworzyć w Business Intelligence Development Studio Wybieranie pól, a następnie wybierając wartości dla tych pól z listy rozwijanej.

SELECT PredictAssociation([DT_Association].[v Assoc Seq Line Items],3)
FROM
  [DT_Association]
NATURAL PREDICTION JOIN
(SELECT (SELECT 'Patch kit' AS [Model]) AS [v Assoc Seq Line Items]) AS t

Oczekiwane wyniki:

Wyniki powiedz trzech najlepszych produktów zaleca klientom, którzy zakupili poprawki zestawu produktów.Można również dołączyć wiele produktów jako danych wejściowych po wprowadzeniu zalecenia, wpisując wartości lub przy użyciu Pojedyncza Query wprowadzania , okno dialogowe i dodawanie lub usuwanie wartości.W następującej kwerendzie przykładowej pokazuje, jak wiele wartości są dostarczane, na którym należy przewidywanie.Wartości są połączone przy użyciu klauzula UNION w instrukcja SELECT, która definiuje wartości wejściowych.

SELECT PredictAssociation([DT_Association].[v Assoc Seq Line Items],3)
From
  [DT_Association]
NATURAL PREDICTION JOIN
(SELECT (SELECT 'Racing Socks' AS [Model]
  UNION SELECT 'Women''s Mountain Shorts' AS [Model]) AS [v Assoc Seq Line Items]) AS t

Oczekiwane wyniki:

Powrót do początku