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:

Вернуться 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 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. Для дискретных входных данных в таблице перечислены все возможные значения. Для непрерывных входных данных, таких как Age, вывод полного списка невозможен, поэтому вывод дискретизируется с усреднением. 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.

Вернуться 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 центра обработки вызовов из учебника для среднего уровня и создает одноэлементный запрос, предсказывающий уровень обслуживания для утренней пятничной смены. Функция PredictHistogram (DMX) возвращает вложенную таблицу, содержащую статистику, которая позволяет понять, насколько достоверно 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 вероятности, мощности несущего множества и стандартном отклонении для значений во вложенной таблице NODE_DISTRIBUTION см. в разделе Содержимое моделей интеллектуального анализа данных для моделей логистической регрессии (службы Analysis Services — интеллектуальный анализ данных).

Вернуться в начало

Логистическая регрессия обычно используется в ситуациях, когда нужно анализировать факторы, влияющие на двоичные результаты. Несмотря на то, что модель, используемая в этом учебнике, предсказывает непрерывное значение, ServiceGrade, в реальных сценариях можно настроить ее для предсказания того, достигнет ли уровень обслуживания определенного дискретизированного целевого значения. Можно также получить предсказания с использованием непрерывного значения, но позже распределить выходные значения по группам Хорошие, Удовлетворительные и Плохие.

Следующий образец показывает, как можно группировать прогнозируемый атрибут. Для этого создается копия структуры интеллектуального анализа данных, после чего метод дискретизации целевого столбца изменяется так, что непрерывные значения группируются.

Следующая процедура описывает порядок группирования значений Service Grade в данных центра обработки вызовов.

Создание дискретизированной версии структуры и моделей интеллектуального анализа данных центра обработки вызовов

Следующий образец запроса основан на дискретизированной модели и предсказывает уровень обслуживания для указанного дня недели, включая вероятности для каждого предсказанного результата.

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 предсказанные результаты сгруппированы по трем указанным категориям. Однако это группирование основано на кластеризации реальных значений данных, а не произвольных значений, которые могли быть указаны в качестве бизнес-целей.

Вернуться в начало