建立預測 (基本資料採礦教學課程)

在資料採礦設計師的 [採礦模型預測] 索引標籤的 [採礦模型] 方塊中，按一下 [選取模型]。

在 [選取採礦模型] 對話方塊中，於樹狀結構內導覽至 [目標郵寄] 結構，並展開此結構，然後選取 TM_Decision_Tree，再按一下 [確定]。

在 [選取輸入資料表] 方塊中，按一下 [選取案例資料表]。

在 [選取資料表] 對話方塊的 [資料來源] 清單中，選取 Adventure Works DW2008R2。

在 [資料表/檢視表名稱] 中，選取 [ProspectiveBuyer (dbo)] 資料表，再按一下 [確定]。

[ProspectiveBuyer] 資料表與 [vTargetMail] 案例資料表最為相似。

以滑鼠右鍵按一下連接 [採礦模型] 視窗與 [選取輸入資料表] 視窗的線條，然後選取 [修改連接]。

請注意，並非每一個資料行都會對應。我們將會加入數個 [資料表資料行] 的對應。

在 [資料表資料行] 底下，按一下 [Bike Buyer] 資料格，並從下拉式清單中選取 [ProspectiveBuyer.Unknown]。

這會將可預測的資料行 [Bike Buyer] 對應到輸入資料表資料行。

按一下 [確定]。

在 [方案總管] 中，以滑鼠右鍵按一下 [目標郵寄] 資料來源檢視，並選取 [檢視表設計工具]。

以滑鼠右鍵按一下 ProspectiveBuyer 資料表標題，並選取 [新增具名計算]。

在 [資料行名稱] 方塊中，輸入 calcAge。

在 [運算式] 方塊中輸入 DATEDIFF(YYYY,[BirthDate],getdate())，然後按一下 [確定]。

輸入資料表沒有對應的 [Age] 資料行。此運算式將會從輸入資料表的 BirthDate 資料行中計算客戶的年齡。由於 [Age] 已被識別為用來預測自行車購買能力的最具影響力資料行，所以它必須同時存在於模型和輸入資料表中。

在資料採礦設計師中，選取 [採礦模型預測] 索引標籤，然後重新開啟 [修改連接] 視窗。

在 [資料表資料行] 底下，按一下 [Age] 資料格，並從下拉式清單中選取 [ProspectiveBuyer.calcAge]。

按一下 [確定]。

在 [採礦模型預測] 索引標籤工具列上的第一個按鈕是 [切換到設計檢視 / 切換到結果檢視 / 切換到查詢檢視] 按鈕。按一下此按鈕上的向下箭頭，然後選取 [設計]。

在 [採礦模型預測] 索引標籤的方格中，按一下 [來源] 資料行中第一個空白資料列內的資料格，再選取 [預測函數]。

這會指定 PredictProbability 函數的目的地資料行。如需有關函數的詳細資訊，請參閱＜資料採礦延伸模組 (DMX) 函數參考＞。

在 [預測函數] 資料列的 [欄位] 資料行中，選取 [PredictProbability]。

從上面的 [採礦模型] 視窗中選取 [Bike Buyer]，並將其拖曳到 [準則/引數] 資料格中。

當您放開滑鼠時，[TM_Decision_Tree].[Bike Buyer] 就會出現在 [準則/引數] 資料格中。

在 [來源] 資料行中，按一下下一個空白資料列，然後選取 [TM_Decision_Tree]。

在 [TM_Decision_Tree] 資料列的 [欄位] 資料行中，選取 [Bike Buyer]。

在 [TM_Decision_Tree] 資料列中，於 [準則/引數] 資料行內輸入 =1

在 [來源] 資料行中，按一下下一個空白資料列，然後選取 [ProspectiveBuyer]。

在 [ProspectiveBuyer] 資料列的 [欄位] 資料行中，選取 [ProspectiveBuyerKey]。

這會在預測查詢中加入唯一識別碼，供您辨識可能會購買和可能不會購買自行車的人。

將其他五個資料列加入至方格中。針對每一個資料列選取 [ProspectiveBuyer] 當做 [來源]，然後在 [欄位] 資料格中加入以下資料行：

• calcAge

• LastName

• FirstName

• AddressLine1

• AddressLine2

在 [採礦模型預測] 索引標籤中，選取 [結果] 按鈕。

當執行此查詢並顯示結果之後，您可以檢閱結果。

[採礦模型預測] 索引標籤會顯示可能購買自行車之潛在客戶的連絡資訊。[運算式] 資料行會指出預測正確的機率。您可以利用這些結果來判斷哪些潛在的客戶應該成為郵寄目標。

按一下 [儲存]，儲存結果。