Karta krzyżowo (widok Wykres górnictwo dokładność)
Krzyżowo umożliwia dzielenia struktura wyszukiwania na przekrój poprzeczny i wielokrotnie powtarzane szkolić i testowania modeli przed każdym przekroju.You specify a number of folds to divide the data into, and each fold is used in turn as the test data, whereas the remaining data is used to train a new model.Usługi Analysis Services then generates a set of standard accuracy metrics for each model.Przez porównanie miar dla modeli generowane dla każdego przecięcia, można uzyskać z wiarygodnych jak dobrze model wyszukiwania dla całego zestaw danych.
Aby uzyskać więcej informacji, zobacz Sprawdzanie poprawności krzyżowych (Analysis Services - wyszukiwania danych).
Ostrzeżenie
Krzyżowo nie można używać z modeli, które zostały zbudowane przy użyciu Microsoft algorytm szeregu czasowego lub Microsoft sekwencji klastrowanie algorytmu.Po uruchomieniu raportu na struktura wyszukiwania zawierający te typy modeli, modele nie zostaną uwzględnione w raporcie.
Określ liczbę zgięcia.
Określ maksymalną liczbę przypadków dla krzyżowe sprawdzanie poprawności.
Określ przewidywalna kolumna.
Opcjonalnie można określić stan przewidywalny.
Opcjonalnie zestaw parametry, które kontrolują sposób oceny dokładności przewidywanie.
Kliknij Uzyskać wyniki do wyświetlania wyników krzyżowe sprawdzanie poprawności.
Karta składana jak licznik
Określ liczbę zgięcia lub partycji, aby utworzyć.Wartość minimalna wynosi 2, co oznacza, że połowy zestaw danych jest używany do testowania i połowę szkolenia.Wartość maksymalna wynosi 10 dla struktur górnictwo sesja.
Wartość maksymalna jest 256, jeśli struktura wyszukiwania jest przechowywany w wystąpienie z Usługi Analysis Services.
Ostrzeżenie
Jak zwiększyć liczbę zgięcia, czas jest wymagane do przeprowadzenia krzyżowe sprawdzanie poprawności podobnie wzrasta n.Mogą wystąpić problemy z wydajnością, jeśli liczba przypadków jest duża i wartość Liczba składanie jest również duże.
Maksymalna liczba przypadków
Określ maksymalną liczbę przypadków dla krzyżowe sprawdzanie poprawności.Liczba przypadków w żadnych szczególnych składanie jest równa Przypadkach Max wartości podzielona przez Liczba składanie wartość.Jeśli używasz 0, wszystkie przypadki, w źródło danych są używane do sprawdzania poprawności krzyżowych.
Nie ma wartości domyślnej.
Ostrzeżenie
Zwiększenie liczby przypadków zwiększa się także czas przetwarzania
Atrybut TARGET
kolumna z listy kolumna przewidywalne znalezionych we wszystkich modelach.Można wybrać tylko jedną przewidywalna kolumna co czas wykonuje sprawdzanie poprawności krzyżowych.Aby przetestować tylko modeli klastrowanie, zaznacz klastrowanie.
Stan elementu docelowego
Wpisz wartość lub wybierz wartości miejsce docelowe z drop -niedziałający listy wartości.Wartością domyślną jest null, co oznacza, że wszystkie Państwa, które są badane.
Wyłączone dla modeli klastrowanie.
Cel próg
Należy określić wartość z przedziału 0 i 1, wskazujący na prawdopodobieństwo przewidywanie, powyżej którego Państwo przewidywane jest uważana za poprawne.Wartości zestaw w przyrostach 0,1.Wartością domyślną jest null, wskazując przewidywanie najbardziej prawdopodobne jest liczony jako poprawne.
Ostrzeżenie
Chociaż wartość zestaw na 0,0, za pomocą tej wartości wydłużyć czas przetwarzania i nie dają znaczące wyniki.
Uzyskiwanie wyników
Kliknij, aby rozpocząć krzyżowe sprawdzanie poprawności modelu przy użyciu określonych parametrów.Model jest podzielone na określoną liczbę zgięcia i oddzielnego modelu bada się dla każdego ze zgięciem.Dlatego może zająć niektóre czas do sprawdzania poprawności krzyżowych można zwrócić wyniki.
Aby uzyskać więcej informacji dotyczących sposobu interpretowania wyniki krzyżowe sprawdzanie poprawności raportu, zobacz Raport sprawdzania poprawności krzyżowych (Analysis Services - wyszukiwania danych).
Ustawienie próg dokładności
Można kontrolować standard pomiaru dokładności przewidywanie, ustawiając wartość dla docelowej próg.Próg reprezentuje rodzaj pasek dokładności.Każdy przewidywanie jest przypisywana prawdopodobieństwo, że wartość przewidywana jest poprawny.Dlatego jeśli użytkownik zestaw docelowej próg bliżej wartości 1, są wymaganie, aby prawdopodobieństwa dla dowolnego szczególności przewidywanie się stosunkowo wysokie zalicza się w dobrym przewidywanie.Natomiast jeśli użytkownik zestaw docelowej próg bliżej 0, nawet prognoz z niższych wartości prawdopodobieństwa są liczone jako "dobry" prognoz.
Ponieważ prawdopodobieństwo wszelkie przewidywanie zależy od ilości danych oraz typ tworzonego przewidywanie nie ma wartości progu zalecane.Należy przejrzeć niektóre prognoz na poziomie prawdopodobieństwa różnych ustalenie słupek odpowiednią dokładność danych.Ważne jest wykonanie, ponieważ wartości, które zestaw dla docelowej próg dotyczy zmierzone dokładności modelu.
Załóżmy, że trzy przewidywań są wprowadzane dla danego miejsce docelowe Państwo i prawdopodobieństwa każdego przewidywanie są 0,05, 0,15 i 0,8.Jeśli użytkownik zestaw progu do 0,5, przewidywanie tylko jeden jest liczony jako poprawne.Jeśli użytkownik zestaw docelowej próg do 0,10, przewidywania dwa są liczone jako poprawne.
Gdy docelowej próg jest zestaw do null, która jest wartością domyślną, przewidywanie najbardziej prawdopodobne przypadek każdego jest liczony jako poprawne.W przykładzie tylko cytowane 0,05, 0,15 i 0,8 są prawdopodobieństwa dla prognoz w trzech różnych przypadkach.Chociaż prawdopodobieństw są bardzo różne, każdy przewidywanie byłyby liczone jako poprawne, ponieważ każdego przypadek generuje tylko jeden przewidywanie i są najlepsze prognoz dla tych przypadków.
Zobacz także