Badanie modelu skojarzeń (Analysis Services - wyszukiwania danych)
Podczas tworzenia kwerendy danych model wyszukiwania, można utworzyć albo zawartości kwerendę, która zawiera szczegółowe informacje dotyczące zasad i itemsets wykrytych w czasie analizy, lub można utworzyć kwerendę przewidywanie używa skojarzenia wykryte w danych, aby prognoz.Skojarzenia modelu prognoz zazwyczaj są oparte na regułach i może służyć do zaleceń, dlatego kwerendy dotyczące zawartości zwykle eksplorować relacji między itemsets.Można także pobrać metadane dotyczących modelu.
W tej sekcji wyjaśniono, jak utworzyć te rodzaje kwerend dotyczących modeli, które są oparte na Microsoft algorytm skojarzenie reguł.
Kwerendy zawartości
Uzyskiwanie danych metadane modelu przy użyciu DMX
Pobieranie metadane z zestawu zestaw wierszy schematu
Pobieranie parametrów oryginalnego modelu
Trwa pobieranie listy produktów i itemsets
Zwracanie itemsets 10 pierwszych
Przewidywania kwerend
Przewidywaniu elementów skojarzonych
Określanie zaufania dla powiązanych itemsets
Znajdowanie informacji o modelu
Wszystkie modele górnictwo narazić zawartości rozpoznane przez algorytm zgodnie ze schematem znormalizowanych, górnictwo modelu o nazwie zestaw zestaw wierszy schematu.Można utworzyć kwerendy przeciwko model wyszukiwania zestaw wierszy schematu przy użyciu instrukcji danych górnictwa rozszerzenia (DMX) lub za pomocą Usługi Analysis Services przechowywane procedury.W SQL Server 2008, można również sprawdzać zestawów wierszy schematu bezpośrednio jako tabele systemowe, za pomocą składni SQL like.
Przykładowa kwerenda 1: Pobieranie metadanych modelu przy użyciu DMX
Następująca kwerenda zwraca podstawowe metadane dotyczące modelu skojarzeń Association, takie jak nazwa modelu, gdzie przechowywane są modelu bazy danych i liczba węzłów podrzędność w modelu.Ta kwerenda używa kwerendy zawartości DMX do pobierania metadane z węzła nadrzędnego modelu:
SELECT MODEL_CATALOG, MODEL_NAME, NODE_CAPTION,
NODE_SUPPORT, [CHILDREN_CARDINALITY], NODE_DESCRIPTION
FROM Association.CONTENT
WHERE NODE_TYPE = 1
Ostrzeżenie
Nazwa kolumna CHILDREN_CARDINALITY, należy ująć w nawiasy, aby odróżnić go od słowo kluczowe MDX zarezerwowane o tej samej nazwie.
Przykład wyniki:
MODEL_CATALOG |
Test skojarzenia |
NAZWA_MODELU |
Skojarzenia |
NODE_CAPTION |
Skojarzenie reguł modelu |
NODE_SUPPORT |
14879 |
CHILDREN_CARDINALITY |
942 |
NODE_DESCRIPTION |
Skojarzenia modelu reguł; ITEMSET_COUNT = 679; RULE_COUNT = 263; MIN_SUPPORT = 14; MAX_SUPPORT = 4334; MIN_ITEMSET_SIZE = 0; MAX_ITEMSET_SIZE = 3; MIN_PROBABILITY = 0.400390625; MAX_PROBABILITY = 1; MIN_LIFT = 0.14309369632511; MAX_LIFT = 1.95758227647523 |
Definicje te kolumny oznacza w modelu skojarzeń, zobacz Model zawartości dla skojarzenia modeli górnictwo (Analysis Services - wyszukiwania danych).
Powrót do początku
Przykładowa kwerenda 2: Pobieranie dodatkowych metadanych z zestawu wierszy schematu
Przez badanie zestaw wierszy schematu wyszukiwanie danych, można znaleźć informacje, które są zwracane w kwerendzie DMX zawartości.Jednak zestaw zestaw wierszy schematu zawiera niektóre dodatkowe kolumna, takie jak przetworzone data ostatniego model struktury górnictwa i nazwę kolumna używane jako atrybut przewidywalne.
SELECT MODEL_CATALOG, MODEL_NAME, SERVICE_NAME, PREDICTION_ENTITY,
MINING_STRUCTURE, LAST_PROCESSED
FROM $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'Association'
Przykład wyniki:
MODEL_CATALOG |
AdventureWorks DW |
NAZWA_MODELU |
Skojarzenia |
SERVICE_NAME |
Skojarzenie reguł modelu |
PREDICTION_ENTITY |
v pozycje Seq Assoc |
MINING_STRUCTURE |
Skojarzenia |
LAST_PROCESSED |
2007-9-29 10:21:24 PM |
Powrót do początku
Przykładowa kwerenda 3: Pobieranie parametrów oryginalnego modelu
Następująca kwerenda zwraca pojedynczą kolumna, która zawiera szczegółowe informacje dotyczące ustawień parametrów, które były używane podczas tworzenia modelu.
SELECT MINING_PARAMETERS
from $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'Association'
Przykład wyniki:
MAXIMUM_ITEMSET_COUNT = 200 000, MAXIMUM_ITEMSET_SIZE = 3, MAXIMUM_SUPPORT = 1, MINIMUM_SUPPORT = 9.40923449156529E-04, MINIMUM_IMPORTANCE =-999999999, MINIMUM_ITEMSET_SIZE = 0, MINIMUM_PROBABILITY = 0.4
Powrót do początku
Znajdowanie informacji na temat zasad i Itemsets
Istnieją dwie typowe zastosowania modelu skojarzeń: Odnajdowanie informacji o itemsets częste i wyodrębnić szczegóły określonej reguły i itemsets.Na przykład warto wyodrębnić listę reguł, które zostały ocenione jako szczególnie interesujące lub utworzyć listę najczęściej itemsets.Takie informacje są pobierane za pomocą kwerendy zawartości DMX.Informacje te można również przeglądać za pomocą Przeglądarka Microsoft skojarzenia.
Przykładowa kwerenda 4: Trwa pobieranie listy produktów i Itemsets
Następująca kwerenda pobiera wszystkie itemsets, wraz z zagnieżdżoną tabela zawierającą listę produktów w każdej itemset.Kolumna nazwa_węzła zawiera unikatowy identyfikator itemset w ramach modelu, NODE_CAPTION przewiduje tekst opisu towarów.W tym przykładzie zostaje spłaszczona tabela zagnieżdżonej, tak aby itemset, który zawiera dwa produkty generuje dwa wiersze w wyniki.Jeśli klient obsługuje hierarchiczny danych, można pominąć słowo kluczowe FLATTENED.
SELECT FLATTENED NODE_NAME, NODE_CAPTION,
NODE_PROBABILITY, NODE_SUPPORT,
(SELECT ATTRIBUTE_NAME FROM NODE_DISTRIBUTION) as PurchasedProducts
FROM Association.CONTENT
WHERE NODE_TYPE = 7
Przykład wyniki:
NAZWA_WĘZŁA |
37 |
NODE_CAPTION |
Sport-100 = istniejących |
NODE_PROBABILITY |
0.291283016331743 |
NODE_SUPPORT |
4334 |
PURCHASEDPRODUCTS.ATTRIBUTE_NAME |
v Items(Sport-100) linii Seq Assoc |
Powrót do początku
Przykładowa kwerenda 5: Zwracanie Top 10 Itemsets
W tym przykładzie przedstawiono sposób użycia niektórych grupowanie i porządkowanie funkcje, które DMX zawiera domyślnie.Kwerenda zwraca top 10 itemsets podczas zamówionych przez wsparcie dla każdego węzła.Należy zauważyć, że nie trzeba jawnie grupy wyniki, jak w języku Transact-SQL; jednak można użyć tylko jednej funkcja agregująca w kwerendzie.
SELECT TOP 10 (NODE_SUPPORT),NODE_NAME, NODE_CAPTION
FROM Association.CONTENT
WHERE NODE_TYPE = 7
Przykład wyniki:
NODE_SUPPORT |
4334 |
NAZWA_WĘZŁA |
37 |
NODE_CAPTION |
Sport-100 = istniejących |
Powrót do początku
Wprowadzanie przy użyciu modelu prognoz
Skojarzenia modelu reguły jest często używany do generowania zalecenia, które oparte są na korelacji wykrytych w itemsets.Therefore, when you create a prediction query based on an association rules model, you are typically using the rules in the model to make guesses based on new data.PredictAssociation (DMX) is the function that returns recommendations, and has several arguments that you can use to customize the query results.
Innym przykładem gdzie kwerendy na modelu skojarzeń może być przydatna jest powrót ufności dla różnych reguł i itemsets tak, aby porównywać skuteczność różnych strategii cross selling.Poniższe przykłady ilustrują sposób tworzenia takiej kwerendy.
Przykładowa kwerenda 6: Przewidywaniu elementów skojarzonych
W tym przykładzie użyto modelu skojarzeń utworzonych w samouczku górnictwa podstawowych danych.Go pokazano, jak utworzyć kwerendę przewidywanie informuje, jakie produkty zalecić klientowi, która nabyła określonego produktu.Ten typ kwerendy, gdzie podać wartości do modelu w SELECT…UNION instrukcja, jest nazywany singleton kwerendy.Ponieważ tabela zagnieżdżona kolumna przewidywalne modelu, która odpowiada nowe wartości, należy użyć jednej SELECT klauzula mapować nową wartość kolumna tabeli zagnieżdżonej [Model]i innym klauzulaSELECT do mapowania kolumna tabeli zagnieżdżonej kolumna przypadek poziom, [v Assoc Seq Line Items].Dodawanie słowa kluczowego INCLUDE statystyki do kwerendy pozwala zobaczyć prawdopodobieństwo obsługę oraz zalecenia.
SELECT PredictAssociation([Association].[vAssocSeqLineItems],INCLUDE_STATISTICS, 3)
FROM [Association]
NATURAL PREDICTION JOIN
(SELECT
(SELECT 'Classic Vest' as [Model])
AS [v Assoc Seq Line Items])
AS t
Przykład wyniki:
Model |
OBSŁUGA $ |
PRAWDOPODOBIEŃSTWO $ |
$ADJUSTEDPROBABILITY |
---|---|---|---|
Sport-100 |
4334 |
0.291283 |
0.252696 |
Butelka po wodzie |
2866 |
0.19262 |
0.175205 |
Poprawka kit |
2113 |
0.142012 |
0.132389 |
Powrót do początku
Przykładowa kwerenda 7: Określanie zaufania dla powiązanych Itemsets
Zasady są użyteczne dla uzyskania zaleceń, itemsets są bardziej interesujące dla dokładniejszej analizy wzorców w zestaw danych.Na przykład jeśli nie były zadowalające zalecenie zwrócony w poprzednim przykładzie kwerendy można zbadać inne itemsets zawierających produkt A, aby uzyskać zorientować się, czy produkt a jest akcesorium osoby mają tendencję do zakupu z wszelkiego rodzaju produktów, lub czy a jest ściśle związana z Zakupy poszczególnych produktów.Najprostszym sposobem eksplorować te relacje jest filtrowanie itemsets w Microsoft Viewer stowarzyszenia; Jednakże można pobrać te same informacje za pomocą kwerendy.
W następującej kwerendzie przykładowej zwraca wszystkie itemsets, zawierające elementy butelka po wodzie, w tym pojedynczy element butelka po wodzie.
SELECT TOP 100 FROM
(
SELECT FLATTENED NODE_CAPTION, NODE_SUPPORT,
(SELECT ATTRIBUTE_NAME from NODE_DISTRIBUTION
WHERE ATTRIBUTE_NAME = 'v Assoc Seq Line Items(Water Bottle)') as D
FROM Association.CONTENT
WHERE NODE_TYPE = 7
) AS Items
WHERE [D.ATTRIBUTE_NAME] <> NULL
ORDER BY NODE_SUPPORT DESC
Przykład wyniki:
NODE_CAPTION |
NODE_SUPPORT |
D.ATTRIBUTE_NAME |
---|---|---|
Butelka po wodzie = istniejących |
2866 |
v Assoc pozycje Seq (butelka po wodzie) |
Bidon do roweru górskiego = istniejących, butelka po wodzie = istniejących |
1136 |
v Assoc pozycje Seq (butelka po wodzie) |
Drogi bidon = istniejących, butelka po wodzie = istniejących |
1068 |
v Assoc pozycje Seq (butelka po wodzie) |
Butelka po wodzie = istniejących, Sport-100 = istniejących |
734 |
v Assoc pozycje Seq (butelka po wodzie) |
Ta kwerenda zwraca wiersze z tabela zagnieżdżonej, które spełniają kryteria i wszystkie wiersze z tabela zewnętrznej lub przypadek.Dlatego należy dodać warunek, który eliminuje wiersze tabela przypadek, które mają wartość null dla miejsce docelowe nazwy atrybut.
Powrót do początku
Lista funkcji
Wszystkie Microsoft obsługę algorytmów wspólny zestaw funkcji.Jednakże Microsoft algorytm skojarzenia obsługuje dodatkowe funkcje wymienione w poniższej tabela.