Mining Model Content (Analysis Services - Data Mining)

Poniższa tabela zawiera listę różnych typów węzłów, które są dane wyjściowe w modeli wyszukiwanie danych.Ponieważ każdy algorytm przetwarza informacje inaczej, każdy model generuje tylko kilka określonych rodzajów węzłów.Jeśli zmienisz algorytm typów węzłów mogą ulec zmianie.Ponadto jeśli użytkownik ponownie przetworzyć modelu, zawartość każdego węzła mogą ulec zmianie.

Węzeł główny każdego modelu zawsze ma unikatowy (identyfikatorNODE_UNIQUE_NAME) 0.Wszystkie identyfikatory węzła są przypisywane automatycznie poprzez Analysis Services i nie mogą być modyfikowane.

Węzeł katalogu głównego dla każdego modelu zawiera także pewne podstawowe metadane dotyczące modelu.Te metadane zawiera bazy danych usług Analysis Services, gdy model jest przechowywana)MODEL_CATALOG), schemat (MODEL_SCHEMA), a nazwa modelu (NAZWA_MODELU).Jednak te informacje powtarza się w wszystkich węzłów z modelu, dzięki czemu nie trzeba zbadać węzła głównego w celu uzyskania tych metadane.

Oprócz nazwę używaną jako identyfikator unikatowy, każdy węzeł dysponuje Nazwa (NAZWA_WĘZŁA).Ta nazwa jest automatycznie tworzona przez algorytm w celach wyświetlania i nie można edytować.

The caption and description for each node are automatically generated by the algorithm, and serve as labels to help you understand the content of the node.Wygenerowany dla każdego pole tekst zależy od typu modelu.W niektórych przypadkach nazwisko, podpis i opis może zawierać ten sam ciąg, ale w niektórych modelach opis może zawierać dodatkowe informacje.Zobacz temat dotyczący typu poszczególnych modelu szczegóły implementacji.

Relacje między nadrzędnym i podrzędność węzłów w strukturze drzewa zależy od wartości kolumna PARENT_UNIQUE_NAME.Ta wartość jest przechowywana w węzła podrzędnego i pozwalają określić identyfikator węzła nadrzędnego.Te informacje mogą być użycia należy wykonać kilka przykładów:

• PARENT_UNIQUE_NAME, który ma wartość NULL oznacza, że węzeł jest węzeł najwyższego poziomu w modelu.

• Jeśli wartość PARENT_UNIQUE_NAME wynosi 0, węzeł musi być bezpośrednio obiektu podrzędnego z węzeł najwyższego poziomu w modelu.Dzieje się tak, ponieważ identyfikator węzła głównego jest zawsze 0.

• Za pomocą funkcji wewnątrz kwerendy DMX (wyszukiwanie danych rozszerzenia) znaleźć obiekty podrzędne lub nadrzędne określonym węźle.Aby uzyskać więcej informacji o korzystaniu z funkcji w kwerendach zobacz Podczas badania modeli wyszukiwania danych (Analysis Services — wyszukiwanie danych).

Relacja odnosi się do liczby elementów zestaw.W kontekście przetworzonych model wyszukiwania, liczebność pozwalają liczby dzieci w określonym węźle.Na przykład, jeśli modelu drzewo decyzyjne ma węzła dla [roczny dochód], a ten węzeł ma dwa węzły podrzędność, jeden dla warunku [roczny dochód] = wysoki, a drugi warunek, [roczny dochód] = niski, wartość CHILDREN_CARDINALITY dla węzła [roczny dochód] może być 2.

Mimo że Kardynalność jest liczony w taki sam sposób, w przypadku wszystkich modeli, w jaki sposób interpretowania lub użyj wartości Kardynalność różni się w zależności od typu modelu.Na przykład w klastrowanie modelu, relacja węzeł najwyższego poziomu pozwalają całkowita liczba klastrów, które zostały wykryte.W przypadku innych typów modeli Kardynalność zawsze może mieć wartość zestaw, w zależności od typu węzła.Aby uzyskać więcej informacji dotyczących sposobu interpretowania Kardynalność zobacz temat poświęcony typu pojedynczego modelu.

kolumna NODE_DISTRIBUTION znajduje się tabela zagnieżdżona, że w wielu węzłów zawiera ważne i szczegółowe informacje dotyczące wzorców wykrytych przez algorytm.Dokładne statystyki, znajdującego się w tej tabela zmieniają się w zależności od typu modelu, pozycja węzła w drzewie i przewidywalny atrybut jest, czy wartość liczbową ciągłego discrete wartość; jednak zawierają minimalnej i maksymalnej wartości atrybutu, Waga przypisana do wartości, liczbę przypadków, w węźle Współczynniki użyte w formule regresja i środki statystycznych, takich jak odchylenie standardowe i WARIANCJA.Aby uzyskać więcej informacji dotyczących sposobu interpretowania węzła dystrybucyjnego zobacz temat dla określonego typu typ modelu, w którym pracujesz.

Tabela zagnieżdżona NODE_DISTRIBUTION, zawsze zawiera następujące kolumny.Zawartość każdego kolumna może się różnić w zależności od typu modelu.Aby uzyskać więcej informacji na temat typów określonego modelu zobacz Górnictwie model zawartości przez typ algorytmu.

• ATTRIBUTE_NAME
  Zawartość może być różna w zależności od algorytmu.Może być nazwą kolumna, takie jak atrybut przewidywalny, reguły, an itemset lub fragment informacji wewnętrznych w algorytmie, taki jak część formuły.

  W tej kolumnie mogą również zawierać para atrybut wartość.

• ATTRIBUTE_VALUE
  Wartość atrybut o nazwie w ATTRIBUTE_NAME.

  Jeśli nazwa atrybut jest kolumną, następnie przypadek większości proste ATTRIBUTE_VALUE zawiera discrete wartości dla tej kolumna.

  W zależności od tego, jak algorytm przetwarza wartości ATTRIBUTE_VALUE może również zawierać flaga, wskazująca, czy istnieje wartość (atrybutExisting), albo czy wartości null ()Missing).

  Na przykład jeśli model znaleźć klientów, którzy zakupili danego elementu, co najmniej raz, kolumna ATTRIBUTE_NAME może zawierać pary atrybut wartość, która definiuje element zainteresowania, takich jak Model = 'Water bottle', a kolumna ATTRIBUTE_VALUE będzie zawierać tylko słowo kluczowe Existing lub Missing.

• POMOC TECHNICZNA
  Liczba przypadków, które zawierają tę parę atrybut wartość lub zawierają ten itemset lub reguły.

  Ogólnie rzecz biorąc dla każdego węzła wartość obsługi informuje liczbie spraw zestaw szkolenia są uwzględniane w bieżącym węźle.W większości typów modeli obsługa reprezentuje dokładną liczbę przypadków.Obsługa wartości są przydatne, ponieważ dystrybucji danych można wyświetlać we własnych spraw szkolenia, bez konieczności pobrania danych szkoleniowych.Serwer usług Analysis Services używa również tych wartości przechowywane do obliczania prawdopodobieństwa przechowywanych w stosunku do poprzednich prawdopodobieństwa, można określić, czy wnioskowanie jest mocne lub słabe.

  Na przykład w drzewie klasyfikacji, wartość obsługi wskazuje numer sprawy, które zostały opisane kombinację atrybutów.

  drzewo decyzyjne sumę pomocy technicznej przy każdym poziom kwot drzewa wsparcia ich węzła nadrzędnego.Na przykład, jeśli model zawiera przypadki 1200 jest dzielony równo według płci, a następnie podzielona równo przez trzy wartości dla wyników — niski, średni i wysoki — węzły podrzędność węzła (2), które są węzłami [4], [5] i [6], zawsze jest Suma na taką samą liczbę przypadków jako węzeł (2).

  Identyfikator węzła i atrybuty węzła	Licznik pomocy technicznej
  (1) Główny model	1200
  [2] Płeć = męska (3) Płci = gniazdowy	600 600
  (4) Płci = męski i zysk = wysoki (5) Płci = męski i zysk = średni (6) Płeć = męski i zysk = niski	200 200 200
  (7) Płeć = gniazdowy i zysk = wysoki (8) Płci = gniazdowy i zysk = średni (9) Płeć = gniazdowy i zysk = niski	200 200 200

  Dla klastrów modelu numer pomocy technicznej może ważone dołączyć prawdopodobieństw należących do wielu klastrów.Wiele członkostwa klastra jest ustawieniem domyślnym klastrowanie metoda.W tym scenariuszu ponieważ każdy przypadek nie musi koniecznie należy do klastra tylko jeden, obsługa w tych modeli może nie zwiększają do 100 procent wszystkich klastrów.

• PRAWDOPODOBIEŃSTWO
  Wskazuje prawdopodobieństwa dla tego określonego węzła w obrębie całego modelu.

  Ogólnie rzecz biorąc prawdopodobieństwo reprezentuje pomocy technicznej dla określonej wartości, podzielona przez całkowitą liczbę przypadków, w ramach węzła (NODE_SUPPORT).

  Jednak prawdopodobieństwa jest korygowana nieco wyeliminować odchylenia spowodowane przez brak wartości w danych.

  Na przykład jeśli bieżące wartości [Suma elementy podrzędne] "Jeden" i "Druga", należy unikać tworzenia modelu, który przewiduje, że nie jest możliwe, aby mieć nie elementów podrzędnych lub ma trzy elementy podrzędne.W celu zapewnienia, że brakuje wartości improbable, ale nie uniemożliwia, algorytm zawsze dodaje 1 do liczby rzeczywistej wartości żadnych atrybut.

  Przykład:

  Prawdopodobieństwo [dzieci razem = jedna] = [liczba przypadków, gdy suma dzieci jedna =] + 1 / [liczba wszystkich przypadkach] + 3

  Prawdopodobieństwo [dzieci razem = 2] = [liczba przypadków, gdy całkowita dzieci = 2] + 1 / [liczba wszystkich przypadkach] + 3

  Uwaga

  Dostosowanie 3 jest obliczana przez dodanie 1 do całkowitej liczby istniejących wartości n.

  Po dostosowaniu prawdopodobieństw dla wszystkich wartości nadal dodawać do 1.Prawdopodobieństwo dla wartości bez danych (w tym przykładzie [dzieci razem = "Zero", "3" lub pewną inną wartość]), rozpoczyna się na bardzo niskim poziomie różna od zera i zwiększa się powoli podczas dodawania więcej przypadków.

• ODCHYLENIE
  Wskazuje odchylenie od wartości w węźle.Z definicji odchylenie jest zawsze 0 dla wartości discrete.Jeśli model obsługuje wartości stałe, odchylenie jest obliczana jako Σ (sigma), przy użyciu mianownik nlub liczbę przypadków, w węźle.

  Istnieją dwie definicje ogólny używany do reprezentowania (odchylenie standardoweStDev). Jedną metodę obliczania odchylenia standardowego uwzględnia odchylenia konta, a inna metoda oblicza odchylenie standardowe bez użycia odchylenia.Ogólnie rzecz biorąc algorytmów wyszukiwanie danych firmy Microsoft nie należy używać odchylenia, podczas obliczania odchylenia standardowego.

  Wartość, która pojawia się w tabela NODE_DISTRIBUTION jest rzeczywista wartość dla wszystkich atrybutów discrete i discretized i średniej dla wartości stałe.

• VALUE_TYPE
  Wskazuje typ danych atrybut lub wartości i użycie wartości.Niektóre typy wartości są stosowane tylko do niektórych typów modeli:

  IDENTYFIKATOR VALUE_TYPE	Etykieta wartości	Nazwa typu wartości
  1	Brak	Wskazuje, że dane przypadek nie zawiera wartości dla tego atrybut.The Missing state is calculated separately from attributes that have values.
  2	Istniejące	Wskazuje, że przypadków dane zawierają wartość tego atrybut.
  3	Ciągłe	Wskazuje, że wartość atrybut jest wartością liczbową ciągłe i dlatego może być reprezentowany przez średnią, wraz z wariancji i odchylenia standardowego.
  4	Discrete	Wskazuje wartość numeryczną lub tekst, który jest traktowany jako discrete. Uwaga   Discrete wartości mogą być również brak; jednak ich są obsługiwane w odmienny sposób podczas obliczeń.Aby uzyskać informacje Zobacz Brak wartości (Analysis Services — wyszukiwanie danych).
  5	Discretized	Wskazuje, że atrybut zawiera wartości liczbowe, które mają zostać discretized.Wartość będzie sformatowany ciąg znakowy opisujący pakiety discretization.
  6	Istniejące	Indicates that the attribute has continuous numeric values and that values have been supplied in the data, vs.values that are missing or inferred.
  7	Współczynnik	Wskazuje wartość liczbową przedstawiającą współczynnik. Współczynnik jest wartością, która jest stosowana przy obliczaniu wartości zmiennej zależnej.Na przykład jeśli model tworzy formuły regresja prognozuje dochodu oparte na wiek, współczynnik jest używany w formułę, której dotyczy przychód wieku.
  8	Wynik zysku	Wskazuje wartość numeryczną, która reprezentuje wynik zysku dla atrybut.
  9	Statystyki	Wskazuje wartość numeryczną, która reprezentuje statystykę listy regressor.
  10	Unikatowa nazwa węzła	Wskazuje, że wartość nie powinny być traktowane nie jako numerycznym lub ciąg znaków, ale jako identyfikator unikatowy innego węzła zawartości w modelu. Na przykład model sieci neuronowe identyfikatory zawierają wskaźniki z węzłów w warstwie danych wyjściowych do węzłów w ukrytej warstwie i z węzłów w ukrytej warstwie węzły w warstwie wprowadzania.
  11	Punkt przecięcia z osią	Wskazuje wartość numeryczną, która reprezentuje punkt przecięcia z osią w formule regresja.
  12	Okresowość	Wskazuje, że wartość oznacza okresowej struktury modelu. Ma zastosowanie tylko do czas serii modeli, które zawierają model ARIMA. Note: algorytm serii czasowych firmy Microsoft automatycznie wykrywa okresowej struktury na podstawie danych szkoleniowych.W rezultacie terminy ostateczne modelu może zawierać wartości okresowości, które użytkownik nie dostarczył jako parametr podczas tworzenia modelu.
  13	Kolejność Autoregressive	Wskazuje, czy wartość odpowiada liczbie autoregressive serii. Stosuje się do czas serii modeli, w których za pomocą algorytmu ARIMA.
  14	Przenoszenie zamówienia średnia	Reprezentuje wartość, która reprezentuje liczbę średnich ruchomych w serii. Stosuje się do czas serii modeli, w których za pomocą algorytmu ARIMA.
  15	Różnica zamówienia	Wskazuje, że reprezentuje wartość wartość, która wskazuje, ile razy z serii numeracji jest zróżnicowana. Stosuje się do czas serii modeli, w których za pomocą algorytmu ARIMA.
  16	Boolean	Reprezentuje typ logiczny.
  17	Inne	Reprezentuje wartość niestandardowe zdefiniowane przez algorytm.
  18	Ciąg prerendered	Reprezentuje wartość niestandardowego renderujący algorytm jako ciąg znaków.Formatowanie nie została zastosowana za pomocą modelu obiektów.

  Typy wartości są obliczane na podstawie wyliczenia ADMOMD.NET.Aby uzyskać więcej informacji zobaczMiningValueType.

Znaczenie wynik węzła różni się w zależności od typu modelu i mogą być określone dla typu węzła również.Aby uzyskać informacje dotyczące sposobu obliczania NODE_SCORE dla każdego typu modelu i węzłów zobacz Zawartość model wyszukiwania przez typ algorytmu.

Zestaw wierszy schematu model wyszukiwania zawiera kolumny NODE_PROBABILITY i MARGINAL_PROBABILITY dla wszystkich typów modeli.Te kolumny zawierają wartości tylko w węzłach, gdzie znaczenie jest wartość prawdopodobieństwa.Węzeł główny model nigdy nie zawiera na przykład wynik prawdopodobieństwa.

W tych węzłów, które są dostępne wyniki prawdopodobieństwa prawdopodobieństwo węzła i marginalna prawdopodobieństw reprezentują różnych obliczeń.

• Marginalna prawdopodobieństwa jest prawdopodobieństwo osiągnięcia węzeł ze swojej witryny nadrzędnej.

• Prawdopodobieństwo węzła jest prawdopodobieństwo osiągnięcia węzła z katalogu głównego.

• Prawdopodobieństwo węzła jest zawsze mniejsza niż lub równa marginalna prawdopodobieństwa.

Na przykład jeśli zapełnianie wszystkich odbiorców drzewo decyzyjne jest podzielona równo według płci (a nie ma żadnych wartości), prawdopodobieństwo węzły podrzędność powinny być 0,5.Jednak Załóżmy, że każdy z węzłów dla płci jest dzielony równo według poziomu dochodów — wysoki, średni i niski.W takim przypadek wynik MARGINAL_PROBABILITY dla każdego węzła podrzędnego powinien zawsze być.33, ale wartość NODE_PROBABILTY będą produktu prawdopodobieństw wszystkie prowadzące do tego węzła i w ten sposób zawsze mniej niż MARGINAL_PROBABILITY wartości.

Zestaw wierszy schematu model wyszukiwania zawiera także kolumny NODE_RULE i MARGINAL_RULE dla wszystkich typów modelu.Te kolumny zawierają fragmenty XML, które mogą być używane do serializacji modelu lub stanowić część struktury modelu.Kolumny te mogą być puste w przypadku niektórych węzłach, jeśli wartość jest pozbawione sensu.

Są dwa rodzaje reguł XML pod warunkiem, że, podobne do dwóch rodzajów wartości prawdopodobieństwa.Fragment XML w MARGINAL_RULE definiuje atrybut i wartość dla bieżącego węzła należy fragmentu XML w NODE_RULE opisuje ścieżka do bieżącego węzła z modelu głównego.

Powrót do początku