마이닝 모델 및 구조 사용자 지정

아티클
12/23/2023

적용 대상: SQL Server 2019 및 이전 Analysis Services Azure Analysis Services Fabric/Power BI Premium

중요

데이터 마이닝은 SQL Server 2017 Analysis Services에서 더 이상 사용되지 않으며 이제 SQL Server 2022 Analysis Services에서 중단되었습니다. 더 이상 사용되지 않는 기능 및 중단된 기능에 대해서는 설명서가 업데이트되지 않습니다. 자세한 내용은 Analysis Services 이전 버전과의 호환성을 참조하세요.

비즈니스 요구를 충족하는 알고리즘을 선택한 후 다음과 같은 방법으로 마이닝 모델을 사용자 지정하여 결과를 잠재적으로 향상시킬 수 있습니다.

모델에서 다른 열의 데이터를 사용하거나 열의 사용법, 내용 유형 또는 분할 메서드를 변경합니다.
마이닝 모델에서 필터를 만들어 모델 학습에 사용되는 데이터를 제한합니다.
데이터를 분석하는 데 사용된 알고리즘을 변경합니다.
알고리즘 매개 변수를 설정하여 임계값, 트리 분할 또는 기타 중요한 조건을 제어합니다.

이 항목에서는 이러한 옵션에 대해 설명합니다.

모델에 사용되는 데이터 변경

모델에서 사용할 데이터 열과 해당 데이터를 사용 및 처리하는 방법에 대한 결정은 분석 결과에 큰 영향을 줍니다. 다음 항목에서는 이러한 선택 사항을 이해하는 데 도움이 되는 정보를 제공합니다.

기능 선택 사용

SQL Server Analysis Services 대부분의 데이터 마이닝 알고리즘은 기능 선택이라는 프로세스를 사용하여 모델 추가에 가장 유용한 특성만 선택합니다. 열과 특성 수를 줄이면 모델 품질 및 성능을 향상시킬 수 있습니다. 사용 가능한 기능 선택 방법은 선택한 알고리즘에 따라 달라집니다.

기능 선택(데이터 마이닝).

사용법 변경

마이닝 모델에 포함할 열과 각 열의 사용 방법을 변경할 수 있습니다. 원하는 결과를 얻지 못한 경우 입력으로 사용한 열의 예제를 만들어 열을 올바르게 선택했는지, 그리고 다음을 포함하여 데이터 처리를 향상시키기 위해 수행할 수 있는 작업이 있는지 확인해야 합니다.

레이블이 숫자로 잘못 지정된 범주 변수 확인
범주를 추가하여 특성 수를 축소한 후 상관 관계를 보다 쉽게 확인
숫자가 범주화되거나 분할되는 방식 변경
고유 값이 많은 열 또는 주소나 중간 이름과 같이 실제로 데이터를 참조하고 분석에는 유용하지 않은 열 제거

마이닝 구조에서 열을 물리적으로 제거할 필요가 없습니다. 열에 무시로 플래그를 지정할 수 있습니다. 열이 마이닝 모델에서 제거되지만 구조의 다른 마이닝 모델에서는 해당 열을 계속 사용할 수 있으며 드릴스루 쿼리에서 참조됩니다.

모델 열의 별칭 만들기

SQL Server Analysis Services 마이닝 모델을 만들 때 마이닝 구조에 있는 동일한 열 이름을 사용합니다. 마이닝 모델의 모든 열에 별칭을 추가할 수 있습니다. 이렇게 하면 열 내용 또는 사용법을 보다 쉽게 이해할 수 있으며 쿼리 작성 시 편리하도록 이름을 짧게 만들 수 있습니다. 별칭은 열의 복사본을 만들고 이해하기 쉬운 이름을 지정하려는 경우에도 유용합니다.

마이닝 모델 열의 Name 속성을 편집하여 별칭을 만듭니다. SQL Server Analysis Services 원래 이름을 열의 ID로 계속 사용하고 Name에 입력하는 새 값은 열 별칭이 되고 열 사용량 옆에 있는 괄호로 표에 표시됩니다.

마이닝 모델 열의 별칭은 마

이 그림에서는 모두 소득과 관련된 마이닝 구조 열의 여러 복사본이 있는 관련 모델을 보여 줍니다. 구조 열의 각 복사본은 서로 다른 방식으로 불연속화되었습니다. 다이어그램의 모델은 각각 마이닝 구조의 다른 열을 사용하지만 모델 전체에서 열을 비교할 때 편리하도록 각 모델의 열 이름을 [Income]으로 바꾸었습니다.

필터 추가

마이닝 모델에 필터를 추가할 수 있습니다. 필터는 모델 사례의 데이터를 일부 하위 집합으로 제한하는 WHERE 조건 집합입니다. 필터는 모델을 학습할 때 사용되며 모델을 테스트하거나 정확도 차트를 만들 때 사용될 수도 있습니다.

필터를 추가하면 마이닝 구조를 다시 사용하되 크게 다른 데이터 하위 집합을 기반으로 모델을 만들 수 있습니다. 또는 필터를 사용하여 특정 행을 제거하고 분석 품질을 향상시킬 수도 있습니다.

자세한 내용은 마이닝 모델에 대한 필터(Analysis Services - 데이터 마이닝)를 참조하세요.

알고리즘 변경

마이닝 구조에 추가한 새 모델은 동일한 데이터 집합을 공유하지만 다른 알고리즘(데이터에서 지원하는 경우)을 사용하거나 알고리즘의 매개 변수를 변경하여 다른 결과를 얻을 수 있습니다. 또한 모델링 플래그를 설정할 수 있습니다.

선택한 알고리즘에 따라 결과의 종류가 결정됩니다. 특정 알고리즘의 작동 방식 또는 특정 알고리즘을 사용하여 이점을 얻을 수 있는 비즈니스 시나리오에 대한 일반적인 내용은 데이터 마이닝 알고리즘(Analysis Services - 데이터 마이닝)을 참조하세요.

요구 사항 및 제한 사항에 대한 설명과 각 알고리즘에서 지원하는 사용자 지정 항목에 대한 자세한 내용은 각 알고리즘의 기술 참조 항목을 참조하십시오.

Microsoft 의사 결정 트리 알고리즘

Microsoft Clustering Algorithm

Microsoft Naive Bayes Algorithm

Microsoft 연결 알고리즘

Microsoft 시퀀스 클러스터링 알고리즘

Microsoft Time Series 알고리즘

Microsoft Neural Network Algorithm

Microsoft 로지스틱 회귀 알고리즘

Microsoft 선형 회귀 알고리즘

알고리즘 매개 변수 사용자 지정

각 알고리즘에는 알고리즘의 동작을 사용자 지정하고 모델 결과를 미세 조정하는 데 사용할 수 있는 매개 변수가 지원됩니다. 각 매개 변수를 사용하는 방법은 다음 항목을 참조하십시오.

또한 각 알고리즘 유형에 대한 항목에서는 해당 알고리즘을 기반으로 하는 모델과 함께 사용할 수 있는 예측 함수가 나열됩니다.

속성 이름	적용 대상
AUTO_DETECT_PERIODICITY	Microsoft Time Series 알고리즘 기술 참조
CLUSTER_COUNT	Microsoft 클러스터링 알고리즘 기술 참조 Microsoft 시퀀스 클러스터링 알고리즘 기술 참조
CLUSTER_SEED	Microsoft 클러스터링 알고리즘 기술 참조
CLUSTERING_METHOD	Microsoft 클러스터링 알고리즘 기술 참조
COMPLEXITY_PENALTY	Microsoft 의사 결정 트리 알고리즘 기술 참조 Microsoft Time Series 알고리즘 기술 참조
FORCE_REGRESSOR	Microsoft 의사 결정 트리 알고리즘 기술 참조 Microsoft 선형 회귀 알고리즘 기술 참조 모델링 플래그(데이터 마이닝)
FORECAST_METHOD	Microsoft Time Series 알고리즘 기술 참조
HIDDEN_NODE_RATIO	Microsoft 신경망 알고리즘 기술 참조
HISTORIC_MODEL_COUNT	Microsoft Time Series 알고리즘 기술 참조
HISTORICAL_MODEL_GAP	Microsoft Time Series 알고리즘 기술 참조
HOLDOUT_PERCENTAGE	Microsoft 로지스틱 회귀 알고리즘 기술 참조 Microsoft 신경망 알고리즘 기술 참조 참고: 이 매개 변수는 마이닝 구조에 적용되는 홀드아웃 백분율 값과는 다릅니다.
HOLDOUT_SEED	Microsoft 로지스틱 회귀 알고리즘 기술 참조 Microsoft 신경망 알고리즘 기술 참조 참고: 이 매개 변수는 마이닝 구조에 적용되는 홀드아웃 초기값과는 다릅니다.
INSTABILITY_SENSITIVITY	Microsoft Time Series 알고리즘 기술 참조
MAXIMUM_INPUT_ATTRIBUTES	Microsoft 클러스터링 알고리즘 기술 참조 Microsoft 의사 결정 트리 알고리즘 기술 참조 Microsoft 선형 회귀 알고리즘 기술 참조 Microsoft Naive Bayes 알고리즘 기술 참조 Microsoft 신경망 알고리즘 기술 참조 Microsoft 로지스틱 회귀 알고리즘 기술 참조
MAXIMUM_ITEMSET_COUNT	Microsoft 연결 알고리즘 기술 참조
MAXIMUM_ITEMSET_SIZE	Microsoft 연결 알고리즘 기술 참조
MAXIMUM_OUTPUT_ATTRIBUTES	Microsoft 의사 결정 트리 알고리즘 기술 참조 Microsoft 선형 회귀 알고리즘 기술 참조 Microsoft 로지스틱 회귀 알고리즘 기술 참조 Microsoft Naive Bayes 알고리즘 기술 참조 Microsoft 신경망 알고리즘 기술 참조
MAXIMUM_SEQUENCE_STATES	Microsoft 시퀀스 클러스터링 알고리즘 기술 참조
MAXIMUM_SERIES_VALUE	Microsoft Time Series 알고리즘 기술 참조
MAXIMUM_STATES	Microsoft 클러스터링 알고리즘 기술 참조 Microsoft 신경망 알고리즘 기술 참조 Microsoft 시퀀스 클러스터링 알고리즘 기술 참조
MAXIMUM_SUPPORT	Microsoft 연결 알고리즘 기술 참조
MINIMUM_IMPORTANCE	Microsoft 연결 알고리즘 기술 참조
MINIMUM_ITEMSET_SIZE	Microsoft 연결 알고리즘 기술 참조
MINIMUM_DEPENDENCY_PROBABILITY	Microsoft Naive Bayes 알고리즘 기술 참조
MINIMUM_PROBABILITY	Microsoft 연결 알고리즘 기술 참조
MINIMUM_SERIES_VALUE	Microsoft Time Series 알고리즘 기술 참조
MINIMUM_SUPPORT	Microsoft 연결 알고리즘 기술 참조 Microsoft 클러스터링 알고리즘 기술 참조 Microsoft 의사 결정 트리 알고리즘 기술 참조 Microsoft 시퀀스 클러스터링 알고리즘 기술 참조 Microsoft Time Series 알고리즘 기술 참조
MISSING_VALUE_SUBSTITUTION	Microsoft Time Series 알고리즘 기술 참조
MODELLING_CARDINALITY	Microsoft 클러스터링 알고리즘 기술 참조
PERIODICITY_HINT	Microsoft Time Series 알고리즘 기술 참조
PREDICTION_SMOOTHING	Microsoft Time Series 알고리즘 기술 참조
SAMPLE_SIZE	Microsoft 클러스터링 알고리즘 기술 참조 Microsoft 로지스틱 회귀 알고리즘 기술 참조 Microsoft 신경망 알고리즘 기술 참조
SCORE_METHOD	Microsoft 의사 결정 트리 알고리즘 기술 참조
SPLIT_METHOD	Microsoft 의사 결정 트리 알고리즘 기술 참조
STOPPING_TOLERANCE	Microsoft 클러스터링 알고리즘 기술 참조

참고 항목

데이터 마이닝 알고리즘(Analysis Services - 데이터 마이닝)
물리적 아키텍처(Analysis Services - 데이터 마이닝)