Запросы к модели логистической регрессии (службы Analysis Services — интеллектуальный анализ данных)

Используя запросы к набору строк схемы интеллектуального анализа данных, можно находить метаданные модели, например: время ее создания, время ее последней обработки, имя структуры интеллектуального анализа данных, на которой основана данная модель, и имя столбца, использованного в качестве прогнозируемого атрибута. Следующий пример возвращает параметры, которые использовались при создании модели, имя и тип модели и дату ее создания.

SELECT MODEL_NAME, SERVICE_NAME, DATE_CREATED, MINING_PARAMETERS 
FROM $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'Call Center_LR'

Образец результатов:

В начало

Следующий запрос возвращает основные сведения о модели логистической регрессии. Модель логистической регрессии во многом подобна модели нейронной сети, в том числе наличием граничного статистического узла (NODE_TYPE = 24), описывающего значения входных данных. В следующем образце используется модель целевой рассылки и возвращаются все возможные входные значения, извлекаемые из вложенной таблицы NODE_DISTRIBUTION.

SELECT FLATTENED NODE_DISTRIBUTION AS t
FROM [TM_Logistic Regression].CONTENT 

Частичные результаты:

Настоящий запрос вернет гораздо больше строк; однако этот образец показывает, какого типа информацию о входных значениях можно получить. Например, в таблице перечислены все возможные значения для дискретной величины, а непрерывные входные данные дискретизированы. Дополнительные сведения об использовании информации, хранящейся в узле граничной статистики, см. в разделе Содержимое моделей интеллектуального анализа данных для моделей логистической регрессии (службы Analysis Services — интеллектуальный анализ данных).

Примечание
Результаты были приведены к плоскому виду для удобства просмотра, но можно также вернуть вложенную таблицу в виде одного столбца, если используемый поставщик поддерживает иерархические наборы строк. Дополнительные сведения см. в статье Иерархические наборы строк в руководстве разработчика по OLE DB.

В начало

Поскольку логистическая регрессия также поддерживает непрерывные атрибуты как в качестве входных данных, так и для прогноза, легко создавать модели, вычисляющие корреляцию различных факторов в конкретных данных. Для исследования связей между этими факторами можно использовать прогнозирующие запросы.

Следующий образец запроса основан на модели Call Center и создает одноэлементный запрос, предсказывающий уровень обслуживания для утренней пятничной смены. Функция PredictHistogram (расширения интеллектуального анализа данных) возвращает вложенную таблицу, которая содержит статистику, помогающую понять, несколько насколько приемлемо спрогнозированное значение.

SELECT
  Predict([Call Center_LR].[Service Grade]) as Predicted ServiceGrade,
  PredictHistogram([Call Center_LR].[Service Grade]) as [Results],
FROM
  [Call Center_LR]
NATURAL PREDICTION JOIN
(SELECT 'Friday' AS [Day Of Week],
  'AM' AS [Shift]) AS t

Образец результатов:

Дополнительные сведения о значениях приемлемости, поддержки и стандартного отклонения во вложенной таблице NODE_DISTRIBUTION см. в разделе Содержимое моделей интеллектуального анализа данных для моделей логистической регрессии (службы Analysis Services — интеллектуальный анализ данных).

В начало

Логистическая регрессия обычно используется в ситуациях, когда нужно анализировать факторы, влияющие на двоичный исход. Несмотря на то что исходная модель, используемая в учебнике для среднего уровня, предсказывает непрерывное значение, Service Grade, в реальных сценариях можно настроить ее для предсказания того, достигнет ли уровень обслуживания определенного дискретного целевого значения. Можно также получить предсказания с использованием непрерывного значения, затем распределить выходные значения по группам Хорошие, Удовлетворительные и Плохие.

Следующий образец показывает, как можно группировать прогнозируемый атрибут. Для этого можно сделать копию структуры интеллектуального анализа данных и изменить метод целевого столбца. Следующая процедура описывает порядок изменения группирования значений Service Grade в данных центра обработки вызовов.

Создание дискретизированной версии структуры и моделей интеллектуального анализа данных Call Center

Следующий образец запроса построен на этой дискретизированной модели и служит для прогнозирования уровня обслуживания на указанный день недели, показывая также вероятности для каждого спрогнозированного выходного значения.

SELECT
  (PredictHistogram([Call Center_LR 1].[Service Grade])) as [Predictions]
FROM
  [Call Center_LR 1]
NATURAL PREDICTION JOIN
(SELECT 'Saturday' AS [Day Of Week]) AS t  

Ожидаемый результат.

Обратите внимание, что результаты прогноза группируются в три указанные категории, однако группирование основано на кластеризации фактических значений данных, а не произвольных значений, которые могут быть заданы в качестве бизнес-задач.

В начало