DMX-Lernprogramm für Zeitreihenvorhersagen

 

Gilt für: SQL Server 2016 Preview

In diesem Lernprogramm erstellen Sie eine Zeitreihen-Miningstruktur sowie drei benutzerdefinierte Zeitreihen-Miningmodelle und treffen Vorhersagen unter Verwendung dieser Modelle.

Die Miningmodelle werden aus Daten erstellt, die in der AdventureWorksDW2012 -Beispieldatenbank enthalten sind. In dieser Datenbank werden Daten für das fiktive Unternehmen Adventure Works Cyclesgespeichert. Adventure Works Cycles ist ein großes, multinationales Produktionsunternehmen.

Adventure Works Cycles hat sich entschieden, Umsatzprognosen unter Einsatz von Data Mining zu generieren. Sie haben bereits einige regionale Vorhersagemodelle erstellt erstellt. Weitere Informationen finden Sie unter Lektion 2: erstellen ein Szenario Prognose ( Intermediate Data Mining-Lernprogramm ). Die Vertriebsabteilung muss das Data Mining-Modell jedoch von Zeit zu Zeit anhand von neuen Umsatzdaten aktualisieren. Außerdem sollen die Modelle angepasst werden, um unterschiedliche Vorhersagen zu ermöglichen.

Microsoft SQL Server Analysis Services stellt mehrere Tools bereit, mit denen folgende Aufgabe ausgeführt werden kann:

  • Abfragesprache Data Mining-Erweiterungen (Data Mining Extensions, DMX)

  • Microsoft Time Series-Algorithmus

  • Abfrage-Editor in SQL Server Management Studio

Mit dem Microsoft Time Series-Algorithmus werden Modelle für Vorhersagen im Zusammenhang mit zeitbezogenen Daten erstellt. Data Mining Extensions (DMX) ist eine Abfragesprache, die von Analysis Services die Sie verwenden können, um Miningmodelle und Vorhersageabfragen erstellen.

In diesem Lernprogramm wird davon ausgegangen, dass Sie bereits mit den Objekten vertraut sind, die von Analysis Services zum Erstellen von Miningmodellen verwendet werden. Wenn Sie noch keine Miningstrukturen oder Miningmodelle mit DMX erstellt haben, finden Sie unter Bike Buyer DMX Tutorialweitere Informationen.

Dieses Lernprogramm ist in die folgenden Lektionen aufgeteilt:

Lektion 1: Erstellen eines Miningmodells und einer Miningstruktur für eine Zeitreihe
In dieser Lektion lernen Sie, wie Sie die CREATE MINING MODEL -Anweisung ein neues Vorhersagemodell sowie ein verknüpftes Miningmodell hinzugefügt.

Lektion 2: Hinzufügen von Miningmodellen zur Zeitreihen-Miningstruktur
In dieser Lektion erfahren Sie, wie der Zeitreihenstruktur mithilfe der ALTER MINING STRUCTURE-Anweisung neue Miningmodelle hinzugefügt werden. Außerdem erfahren Sie, wie der Algorithmus, der zum Analysieren einer Zeitreihe verwendet wird, angepasst wird.

Lektion 3: Verarbeiten der Zeitreihenstruktur und -modelle
In dieser Lektion erfahren Sie, wie zum Trainieren der Modelle mithilfe der INSERT INTO -Anweisung und wie die Struktur mit Daten aus der AdventureWorksDW2012 Datenbank.

Lektion 4: Erstellen von Zeitreihenvorhersagen mit DMX
In dieser Lektion erfahren Sie, wie Zeitreihenvorhersagen erstellt werden.

Lektion 5: Erweitern des Zeitreihenmodells
In dieser Lektion lernen Sie, wie Sie die EXTEND_MODEL_CASES Parameter, um das Modell mit neuen Daten aktualisieren, wenn Sie Vorhersagen treffen.

Stellen Sie vor dem Durchführen des Lernprogramms sicher, dass Folgendes installiert ist:

  • Microsoft SQL Server

  • Microsoft SQL Server Analysis Services

  • Die AdventureWorksDW2012 -Datenbank.

Aus Sicherheitsgründen werden die Beispieldatenbanken standardmäßig nicht installiert. So installieren Sie die offiziellen Beispieldatenbanken für Microsoft SQL Server, zur http://www.CodePlex.com/MSFTDBProdSamples oder auf der Microsoft SQL Server Samples and Community Projects-Startseite im Abschnitt Microsoft SQL Server Product Samples. Klicken Sie auf Datenbankenund anschließend auf die Registerkarte Releases , und wählen Sie die gewünschten Datenbanken aus.

System_CAPS_ICON_note.jpg Hinweis


Lernprogramme, es wird empfohlen, dass Sie hinzufügen Nächstes Thema und Vorheriges Thema in der Dokumentanzeige die Schaltflächen.

Lernprogramm zu Data Mining-Grundlagen
Datamining-Lernprogramm für fortgeschrittene ( Analysis Services – Datamining )

Anzeigen: