Dışarıya aktar (0) Yazdır
Tümünü Genişlet
Bu makale makine tarafından çevrilmiştir. Orijinal metni görmek için imlecinizi makaledeki cümlelerin üzerine getirin.
Çeviri
Original

Veri madenciliği modelleri sorgulama (- Analysis Services veri madenciliği)

Bir veri eğitim almış sonra araştırma modeli, sağlanan özel görüntüleyicileri kullanarak modeli keşfedebilirsiniz SQL Server Management Studio veya Business Intelligence Development Studio. Ancak, Öngörüler yapmak veya modelinden Gelişmiş ya da daha ayrıntılı bilgi edinmek isterseniz, verileri bir sorgu oluşturmanız gerekir araştırma modeli. Daha iyi anlamak ve model bilgileri aşağıdaki şekillerde çalışmak Yardım sorgular:

  • Tek yapma ve toplu iş iş Öngörüler.

  • Modeli tarafından bulunan desenler hakkında daha fazla öğrenme.

  • Ayrıntıları veya belirli bir desen veya alt küme küme kümesi modeli için eğitim servis taleplerini görüntüleme.

  • Aracılığıyla araştırma modeli durumlarda ayrıntılarını Delme.

  • Formüller, kurallar, veya tüm ilgili istatistikleri veya modeli ve verilerin alt küme küme küme kümesini ayıklanıyor.

SQL Server Analysis Services provides a graphical design interface for creating queries, and also a query language called Data Mining Extensions (DMX) that is useful for creating custom predictions and complex queries. dmx tahmin sorgular oluşturmak için her ikisi kullanılabilir olan sorgu üreticileri ile başlatabilirsiniz SQL Server Management Studio ve Business Intelligence Development Studio. dmx sorgu şablonları küme de sağlanan SQL Server Management Studio.

Sorgu Oluşturucusu'nu kullanma hakkında daha fazla bilgi için bkz: Tahmin Sorgu oluşturucunun dmx tahmin sorgular oluşturmak için kullanma.

dmx sorgu şablonları kullanma hakkında daha fazla bilgi için bkz: SQL Server Management Studio'da dmx sorgular oluşturma veya Nasıl yapılır: sql Server Management Studio'da şablonlarını kullanma.

Bu bölümde sizin oluşturduğunuz sorgular ve her tür sorgu sağlayan bilgi türlerini açıklar. Bu bölümde, belirli türde veri madenciliği modelleri için sorgu örnekleri de içerir.

Çok sayıda veri madenciliği projeleri ana amacı, Öngörüler yapmak için veri madenciliği modelleri kullanmaktır. Örneğin, şirketinizin satış yapıyor gelecek yıl Aralık ayında sırasında kaç ürünlerinde tahmin etmek isteyebilirsiniz ya da potansiyel bir müşteri mi yanıt bir reklam kampanyası için bir ürün satın alacağınız.

Bir tahmin oluşturduğunuzda, genellikle bazı parça yeni veri sağlamak ve yeni verileri temel alan bir tahmin oluşturmak için model isteyin. Modelin dış eşleyerek Öngörüler bir toplu iş iş işlemi yapabilirsiniz kaynak veri bir Tahmin birleştirmek. Alternatif olarak, bir değer sağlayabilir bir saat, oluşturarak bir tek sorgu.

Hem tek hem de toplu iş iş tahmin sorgular, yeni verileri tanımlamak için tahmin JOIN söz dizimini kullanın: fark nasıl olduğunu tahmin giriş tarafında birleştirmek belirtilir. Bir singleton sorgu, sorgu bir parçası olarak sağlanan satır içi veridir. Bir toplu iş sorgu, bir dış veri kaynağından verileri gelir kaynak SORGUAÇ sözdizimi kullanılarak belirtilir. Daha fazla bilgi için bkz: SORGUAÇ (DMX).

Buna ek olarak, saat serisi modelleri, modelini temel alan Öngörüler yapmanıza olanak — yeni veriler sağlasa da, yalnızca varolan serisine dayanan Öngörüler istemek gerekmez.

Aşağıdaki bölüm, bu sorgu türleri oluşturma hakkında bilgi sağlar:

Sorgu türü

Sorgu seçenekleri

Singleton tahmin sorgu

Yeni tek bir durum veya sorgu yazdığınız birden çok yeni durumlar hakkında tahmin olun.

Toplu Öngörüler

Yeni durumda dış veri eşleme kaynak model ve marka Öngörüler için.

Zaman serisi Öngörüler

Varolan bir modele dayalı gelecekteki adımları belirtilen sayıda tahmin.

Varolan bir modeli yeni verileri ekleyerek genişletebilir ve bileşik serisine dayanan Öngörüler yapmak.

Varolan modeli replace_model_cases seçeneğini kullanarak yeni veri serilerine uygulanır.

Gelecek ay satış miktarı gibi belirli bir değer veya bir ürünün müşteriye önermek için tahmin etmek yanında bir tahmin sorgu tahmini için ilgili çeşitli bilgiler döndürmek için özelleştirebilirsiniz. Örneğin, olasılık bilmek yararlı olabilir, tahmin doğru böylece öneri veya kullanıcıya sunmak karar verebilirsiniz.

Tahmin sorgu tarafından döndürülen bilgileri özelleştirmek isterseniz, eklediğiniz Tahmin işlevleri sorgu. Her model veya sorgu türü belirli işlevlerini destekler. Örneğin, kümeleme modelleri modeli tarafından oluşturulan gruplandırmalar hakkında ek ayrıntı sağlayan özel tahmin işlevleri destekler. saat serisi modelleri zamanla farkları hesaplamak tahmin işlevleri destekler. Hemen hemen tüm modeli türleriyle çalışma genel tahmin işlevleri vardır. Farklı sorgu türleri desteklenen tahmin işlevlerin listesi için bkz: Eşleştirme türleri (dmx) sorgu işlevler. Tahmin işlevleri tam listesi için bkz: Veri madenciliği Extensions (dmx) işlev başvurusu.

Başa Dön

Singleton sorgu

Bir singleton sorgu içinde gerçek basit Öngörüler oluşturmak istediğinizde yararlıdır saat. Örneğin, bilgileri bir müşteriden kullanarak elde bir Web sitesive sonra bu verileri belirli recommendations o müşteriye sunulan Öngörüler, geri dönün. Veya e-posta içeriğini analiz etmek ve sonra e-posta için bir kategori atamak için varolan bir sınıflandırma modeli kullanmak ve yol iletiyi buna göre.

Singleton sorgu giriş içeren ayrı bir tablo gerektirir. Bunun yerine, tek bir veri satırı modele geçmesi ve tek bir öngörü gerçek döndürülür saat. BİRLİĞİ ekleyerek tek bir durum içeren bir deyim yazarak birden fazla Öngörüler yapmak singleton sorgu genişletebilirsiniz işleçve sonra başka bir durum belirtmek için başka bir deyim yazın.

Varolan bir modeli karşı sorguları singleton aşağıdaki şekillerde oluşturabilirsiniz:

  • Veri madenciliği Designer'ı kullanarak.

  • Bir singleton sorgu şablonu kullanarak.

  • Program aracılığıyla veya başka bir dmx deyim oluşturma Analysis Services istemci.

Bir singleton sorgu oluşturduğunuzda, şeklindeki bir tahmin JOIN modeli yeni verileri sağlamanız gerekir. Rağmen gerçek bir eşleme değil, yani tablo, yeni veri madenciliği model varolan sütunlar eşleştiğinden emin olmanız gerekir. Yeni veri sütunlarını ve yeni verileri tam olarak eşleşiyorsa Analysis Services sütunları eşleşeceğinden. Bu adı verilen bir DOĞAL tahmin birleştirme. Ancak, sütunlarla eşleşmesi veya yeni veri modeli olan veri miktarını ve aynı cinsten içermiyorsa, yeni veri modeli Haritası'nda görüntülenecek sütunları belirtin, veya gerekir eksik değerleri belirtin.

Veri Mining tasarımcısında bir singleton sorgu oluşturma hakkında daha fazla bilgi için bkz: Nasıl yapılır: Veri madenciliği Tasarımcısı'nda bir Singleton sorgu oluşturma ve Tahmin Sorgu oluşturucunun dmx tahmin sorgular oluşturmak için kullanma.

dmx kullanarak bir singleton sorgu oluşturma hakkında daha fazla bilgi için bkz: Tahmin sorgular (dmx).

dmx sorgu kullanmayı nasıl bir örnek için SQL Server Management Studio, bkz: Nasıl yapılır: Bir şablondan bir Singleton tahmin sorgu oluşturma.

Başa Dön

Toplu tahmin sorgular

Bir tahmin birleştirmek gerçekleştirdiğinizde, yeni bir veri kaynak için model eşleme ve Analysis Services sonra yeni veri modeli desenleri esas her satır için Öngörüler yapar Bir tablo veya diğer dış veri bilgi çok sayıda sahip bir tahmin birleştirmek yararlıdır kaynak ve eğitimli modelini kullanarak Öngörüler yapmak istiyor.

Varolan bir modeli karşı tahmin sorgu toplu iş iş aşağıdaki şekillerde oluşturabilirsiniz:

  • Veri madenciliği Designer'ı kullanarak.

  • Bir şablonu kullanma.

  • Program aracılığıyla veya başka bir dmx deyim oluşturma Analysis Services istemci.

  • Veri Mining Tasarımcısı kullanarak bir toplu iş iş tahmin sorgu oluşturursanız, dış veri kaynağına veri kaynak görünümü ilk tanımlanmış olmalıdır.

dmx tahmin birleştirmek oluşturmak için kullanıyorsanız, dış verileri belirtmek kaynak SORGUAÇ, openrowset veya ŞEKİL komutlarını kullanarak. Varsayılan veri erişimi yöntem dmx şablonlarında SORGUAÇ olduğunu. Bu yöntemler hakkında daha fazla bilgi için bkz: <Kaynak veri sorgusu>.

Dış verileri tanımlamak ne olursa olsun kaynak veri, belirttiğiniz veri modeline benzer veri içeren sütunlar içermeli. Ancak, yeni bilgileri eksik olabilir. Örneğin, müşteri listenizi bir yaş olabilir sütun , ancak gelir hakkında bilgi yok. Gelir veri modeli eğitim çağrılırken bile hala modeline yeni verileri eşleştirmek ve bir tahmin oluşturmak; Ancak, bazı durumlarda, tam bilgi eksikliğini Öngörüler kalitesini etkileyebilir.

En iyi sonuçlar elde etmek için size gereken birleştirmek olabildiğince fazla eşleşen sütunlar yeni veriler ve model arasında mümkün. Ancak, eşleri olmasa bile sorgu başarılı olur. Hiçbir sütun alanına katıldıysanız sorgu deyim için eşdeğeri olan Marjinal öngörü verir SELECT <predictable-column> FROM <model> olmadan bir tahmin JOIN yan tümce tümce tümce.

Tahmin sorgu sonuçları ile çalışma

Tahmin sorgu ilişkisel veritabanı üzerinde bir sorgu gibi değil. Bir sorguya ekleme her tahmin işlev kendi satır kümesi döndürür. Bu nedenle, ne zaman yaptığınız bir tahmin tek bir durum üzerinde öngörülen değeri ile birlikte ek ayrıntı içeren iç içe geçmiş tablolar çeşitli sütunlar olabilir.

Bir sorguda birden çok işlevi birleþtirdiðinizde, sonuçlar görüntüler hiyerarşik satır kümesi kümesi birleştirilir. Ancak, sizin sağlayıcı hiyerarşik satır kümeleri veri işleme tahmin sorguda flatten anahtar sözcüğünü kullanarak sonuçlar düzleştirebilirsiniz.

Düzleştirilmiş satır kümeleri örnekleri de dahil olmak üzere daha fazla bilgi için bkz: SEÇİN (DMX).

Zaman serisi veri madenciliği modelleri de Öngörüler

Zaman serisi modelleri yeni verileri kullanmak ve Öngörüler oluşturma biçimini daha fazla esneklik sağlar. Öngörüler oluşturmak için model olarak ise kullanabilir veya yeni model son eğilimlerine dayanarak Öngörüler güncelleştirmek için veri sağlayabilir. Yeni veri eklerseniz, yeni veriler, modeli durumlarda genişletmek ya da modeli durumlarda değiştirmek için kullanılması gereken yolu belirtebilirsiniz.

Modeli durumlarda genişlettiğinizde, yeni eklediğiniz olgu verileri saat serisi modeli ve daha fazla Öngörüler yeni, birleşik serisine dayalı. Modeli durumlarda değiştirdiğinizde, eğitimli modeli tutmak, ancak temel servis taleplerini bir yeni yerini küme büyük veri.

Hangi yaklaşımı ne olursa olsun, kullandığınız Öngörüler için başlangıç noktası her zaman özgün serisi sonudur.

Örneğin, satış verilerini önceki yılın üzerinde eğitilmiş bir varolan saat serisi modeli olduğunu varsayalım. Birkaç ay yeni satış veri topladıktan sonra geçerli yıl için satış tahminlerini güncelleştirme karar verin. Oluşturabileceğiniz bir tahmin yeni veri ekleyerek modeli güncelleştirir ve yeni yapmak modelini genişletir birleşim tahmins.

Alternatif olarak, varolan verileri esas model oluşturmak ve durum verilerini yeni verilerle değiştirir bir tahmin birleştirmek oluşturun. Örneğin, bir mağaza çok miktarda veri eksik ve Öngörüler yapmak için diğer depolama veri üzerinde yerleşik bir modeli kullanmak istiyorsanız, yararlıdır. saat serisi modeller üzerinde tahmin JOIN oluşturma hakkında daha fazla bilgi için bkz: saat serisi modeller sorgulama veya PredictTimeSeries (dmx).

Başa Dön

İçerik bir sorgu iç istatistik ve araştırma modeli yapısı hakkında bilgi ayıklama yoludur. Bazen içerik sorgu görüntüleyicide hazır ayrıntıları sağlayabilir. Ayrıca sonuçlar diğer kullanımlar için program aracılığıyla bilgi ayıklamak için içerik sorgu. Örneğin, şunları yapabilirsiniz ayıklamak formülleri veya kendi hesaplamalarını veya Servis talepleriyle ilgili mekanizmasına bilgilerini al bir modelinde yapmak için olasılıklar.

Bu bölümde içerik sorgusu kullanarak almak bilgi türleri hakkında genel bilgi sağlar. İçerik sorguları aşağıdaki gösterilen dmx sözdizimi kullanın tablo:

Sorgu türü

Sorgu seçenekleri

select from <modeli>.Servis taleplerini

eğitmek veya bir modeli test etmek için kullanılan servis taleplerini bulun. Ayrıntıya aracılığıyla verilerine alttaki sütunları da dahil olmak üzere, araştırma yapısı.

select from <Yapı>.Servis taleplerini

Özellikle de dahil sütunları da dahil olmak üzere yapısında bulunan tüm verileri görüntülemek araştırma modeli.

select from <modeli>.İçerik

Belirli düğümler modeli hakkında ayrıntılı bilgi almak kuralları ve formülleri, destek ve farkı istatistikleri ve diğerleri de dahil olmak üzere.

select from <modeli>.DIMENSIONCONTENT

Bir veri madenciliği boyut sorgularını destekler.

Bu sorgu türü, principally dahili kullanım için tasarlanmış. Kendi eklentisi algoritma geliştirmek modelleriniz sınamak için bu sözdizimini kullanabilir.

Bu işlev tüm algoritmaları destekler. Destek bayrak MINING_SERVICES şema satır kümesi içinde belirtilir.

Bazı model algoritmaları arasında standart içeriktir. Genellikle, ancak, her modeli içeriği modeli oluşturmak için kullanılan algoritma bağlıdır. Bu nedenle, içerik bir sorgu oluşturduğunuzda, hangi türde bilgi modelinde en faydalı anlamanız gerekir.

Örneğin, bir sorgu oluşturursanız, sözdizimi kullanan SELECT FROM <model>.CONTENT, sorgu sırası kümeleme modelini, karar ağaçları modeli veya model olmasına bağlı çok farklı bilgi verirbir saat serisi modeli. Bir ilişki modeli için bir saat serisi veya modeli kümeleme sırası modeli tarafından algılanan saat desenler hakkında daha fazla bilgi bulmak isteyebilirsiniz, ancak özel bir uygulama kurallarını kullanın böylece belirli kural açıklamaları almak isteyebilirsiniz.

Etki derecesini elde ve içerik bir sorgudan elde edebilirsiniz bilgi derinliğini göstermek için aşağıdaki bölümlerde bazı örnekler verilmiştir; Ancak, araştırma modeli içerik ve her model türüne özgü içerik hakkında daha fazla bilgi için bkz: İçerik modeli mining (Analysis Services - veri madenciliği).

Örnek 1: Bir ilişki modeli içerik sorgu

Bir select from kullanabilirsiniz <modeli>.Farklı sorgulamaya modelini türüne göre içerik türü dönmek için içerik deyim. İtemsets 7 node_type değerine sahip iken bir ilişki modeli için kuralları temsil düğümleri 8, node_type değeri var. Bu nedenle, aşağıdaki sorgu desteği (varsayılan sıralama) tarafından olduklarına en iyi 10 itemsets döndürecektir.

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

Aşağıdaki örnek, üç sütun döndürür: düğüm, tam kural ve itemset sağ tarafında ürün kimliği — başka bir deyişle, bir itemset bir parçası olarak diğer bazı ürünler ile ilişkilendirilecek öngörülen ürün.

flattened anahtar iç içe satır kümesi düz dönüştürüleceğini belirtir tablo. Kuralı sağ tarafında bir ürünü temsil niteliği NODE_DISTRIBUTION içinde yer alan tablo; Bu nedenle, yalnızca bir öznitelik adı uzunluğu 2'den büyük bir gereksinim ekleyerek içeren satırı almak. Üçüncü model adını kaldırmak için kullanılan basit bir dize işlev sütun. Genellikle model adı her zaman iç içe sütun değerleri için ön eki eklenir. where yan tümce tümce değeri node_type, yalnızca kuralları almak için 8, olması gereken belirtir.

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

Daha fazla örnek için bkz: Bir ilişki modeli sorgulama (- Analysis Services veri madenciliği).

Örnek 2: Karar ağaçları modeli içerik sorgu

Tahmin sorguda açıklar neden olarak bu durumu öngörülen kural döndürerek takip etmek istediğinizde sorgulamaya modelini içerik değerli olduğu bir senaryodur. Örneğin, tahmin işlev ekleyebilirsiniz PredictNodeId (dmx) bir sorguya kural içeren düğüm kimliği elde etmek için aşağıdaki sözdizimini kullanarak:

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

Karar ağacı modeli için resim yazısı sonucu yol açıklamasını içerir. Sonucu içeren düðümün Kimliğine sahip olduğunuzda, bu nedenle, kural veya açıklayan yol alabilirsiniz tahmin aşağıdaki gibi bir içerik sorgu oluşturarak:

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

Daha fazla örnek için bkz: Karar ağaçlar modeli sorgulama (- Analysis Services veri madenciliği).

Başa Dön

Analysis Services çeşitli veri tanımı deyimleri oluşturma ve yönetme araştırma yapısı ve modeli sağlar. Daha fazla bilgi için bkz: Veri madenciliği yapıları ve modeller yönetme.

Bunu faydalı buldunuz mu?
(1500 karakter kaldı)
Geri bildiriminiz için teşekkür ederiz

Topluluk İçeriği

Ekle
Show:
© 2014 Microsoft