Datentypen (Data Mining)

  • Artikel

Gilt für: SQL Server 2019 und früheren Analysis Services Azure Analysis Services Fabric/Power BI Premium

Wichtig

Data Mining wurde in SQL Server 2017 Analysis Services als veraltet eingestuft und wurde jetzt in SQL Server 2022 Analysis Services eingestellt. Die Dokumentation wird für veraltete und eingestellte Features nicht aktualisiert. Weitere Informationen finden Sie unter Abwärtskompatibilität von Analysis Services.

Wenn Sie ein Miningmodell oder eine Miningstruktur in Microsoft SQL Server SQL Server Analysis Services erstellen, müssen Sie die Datentypen für jede Der Spalten in der Miningstruktur definieren. Anhand des Datentyps erkennt die Analyse-Engine, ob es sich bei den Daten in der Datenquelle um numerische Daten oder um Text handelt und wie die Daten verarbeitet werden sollen. Wenn die Datenquelle beispielsweise numerische Daten enthält, können Sie angeben, ob die Zahlen als ganze Zahlen oder durch Verwendung von Dezimalstellen verarbeitet werden sollen.

SQL Server Analysis Services unterstützt die folgenden Datentypen für Miningstrukturspalten:

Datentyp Unterstützte Inhaltstypen
Text Zyklisch, Diskret, Diskretisiert, Key Sequence, Sortiert, Sequenz
Long Kontinuierlich, Zyklisch, Diskret, Diskretisiert, Schlüssel, Key Sequence, Key Time, Sortiert, Sequenz, Zeit

Classified
Boolescher Wert Zyklisch, Diskret, Sortiert
Double Kontinuierlich, Zyklisch, Diskret, Diskretisiert, Schlüssel, Key Sequence, Key Time, Sortiert, Sequenz, Zeit

Classified
Date Kontinuierlich, Zyklisch, Diskret, Diskretisiert, Schlüssel, Key Sequence, Key Time, Sortiert

Hinweis

Die Time- und Sequence-Inhaltstypen werden nur von Algorithmen von Drittanbietern unterstützt. Die Inhaltstypen Zyklisch und Sortiert werden unterstützt, die meisten Algorithmen behandeln sie jedoch als diskrete Werte und führen keine spezielle Verarbeitung durch.

Die Tabelle zeigt auch die für jeden Datentyp unterstützten Inhaltstypen an.

Die Angabe des Inhaltstyp ist für Data Mining spezifisch, und Sie können damit die Art und Weise, wie Daten im Miningmodell verarbeitet oder berechnet werden, anpassen. Wenn Ihre Spalte z.B. Zahlen enthält, müssen Sie diese möglicherweise als diskrete Werte modellieren. Wenn die Spalte Zahlen enthält, können Sie auch angeben, dass diese klassifiziert oder diskretisiert werden. Alternativ können Sie angeben, dass das Modell sie als kontinuierliche Werte behandeln soll. Folglich kann der Inhaltstyp einen enormen Einfluss auf das Modell haben. Eine Liste aller Inhaltstypen finden Sie unter Inhaltstypen (Data Mining).

Hinweis

In anderen Computerlernsystemen treten möglicherweise die Begriffe nominale Daten, Faktoren oder Kategorien, ordinale Datenoder Sequenzdatenauf. Im Allgemeinen entsprechen diese den Inhaltstypen. In SQL Server gibt der Datentyp nur den Werttyp für den Speicher an, nicht dessen Verwendung im Modell.

Angeben eines Datentyps

Wenn Sie das Miningmodell direkt mithilfe der Data Mining-Erweiterungen (DMX) erstellen, können Sie den Datentyp für die einzelnen Spalten zusammen mit dem Modell definieren. Analysis Services erstellt dann gleichzeitig die entsprechende Miningstruktur mit den angegebenen Datentypen. Wenn Sie das Miningmodell oder die Miningstruktur mit einem Assistenten erstellen, schlägt Analysis Services einen Datentyp vor, oder Sie können einen Datentyp in einer Liste auswählen.

Ändern eines Datentyps

Wenn Sie den Datentyp einer Spalte ändern, müssen die Miningstruktur und alle auf dieser Struktur basierenden Miningmodelle neu verarbeitet werden. Beim Ändern des Datentyps kann es vorkommen, dass die jeweilige Spalte nicht mehr in einem bestimmten Modell verwendet werden kann. In diesem Fall gibt Analysis Services beim erneuten Verarbeiten entweder einen Fehler aus, oder das Modell wird unter Auslassung der Spalte verarbeitet.

Weitere Informationen

Inhaltstypen (Data Mining)
Inhaltstypen (DMX)
Data Mining-Algorithmen (Analysis Services - Data Mining)
Miningstrukturen (Analysis Services - Data Mining)
Datentypen (DMX)
Miningmodellspalten
Miningstrukturspalten