Badanie modelu regresją (Analysis Services - wyszukiwania danych)

Przez badanie zestaw wierszy schematu wyszukiwanie danych, można znaleźć metadane dotyczące modelu, takie jak utworzenia go, gdy model ostatnio został przetworzony, nazwa struktura wyszukiwania że zależy od modelu i nazwę kolumna używane jako atrybut przewidywalne.Poniższy przykład zwraca parametry, które były używane podczas modelu została utworzona, wraz z nazwa i typ modelu, i data, która została utworzona.

SELECT MODEL_NAME, SERVICE_NAME, DATE_CREATED, MINING_PARAMETERS 
FROM $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'Call Center_LR'

Przykładowe wyniki:

Powrót do początku

Następująca kwerenda zwraca niektóre podstawowe informacje o logistyczne regresja modelu.Logistyczne regresja modelu przypomina model sieci neuronowe na wiele sposobów, w tym obecność węzeł Statystyka kredytu marginalnego (NODE_TYPE = 24), który opisuje wartości wykorzystanych jako nakłady.Ta przykładowa kwerenda używa modelu ukierunkowanych korespondencji i pobiera wartości nakładów, pobierając je z tabela zagnieżdżonej NODE_DISTRIBUTION.

SELECT FLATTENED NODE_DISTRIBUTION AS t
FROM [TM_Logistic Regression].CONTENT 

Wyniki częściowe:

Rzeczywiste kwerenda zwraca wiele więcej wierszy; Jednak ten ilustruje rodzaj dostarczonych informacji dotyczących nakładów.Dyskretne produkcji każda możliwa wartość znajduje się w tabela.Ciągłe wartości takich jak wejść Age, pełna lista jest niemożliwe, więc dane wejściowe jest discretized jako średnia.Aby uzyskać więcej informacji dotyczących sposobów korzystania z informacji w węźle marginalny statystyki, zobacz Model zawartości dla modeli regresją górnictwo (Analysis Services - wyszukiwania danych).

Powrót do początku

Ponieważ logistyczne regresja obsługuje ciągły atrybutów dla obu wejściowe i przewidywania, łatwo jest tworzyć modele skorelować różnych czynników w danych.przewidywanie kwerendy można eksplorować relację między tymi czynnikami.

Następujące przykładowe kwerendy jest oparty na modelu Centrum rozmowy z samouczka pośrednie i tworzy kwerendę singleton, która przewiduje klasy usługa shift piątek AM.predicthistogram (dmx) funkcja zwraca zagnieżdżoną tabela, która zapewnia odpowiednie zrozumienie ważności prognozowanej wartości statystyki.

SELECT
  Predict([Call Center_LR].[Service Grade]) as Predicted ServiceGrade,
  PredictHistogram([Call Center_LR].[Service Grade]) as [Results],
FROM
  [Call Center_LR]
NATURAL PREDICTION JOIN
(SELECT 'Friday' AS [Day Of Week],
  'AM' AS [Shift]) AS t

Przykładowe wyniki:

Aby uzyskać więcej informacji na temat prawdopodobieństwa, obsługę i odchylenie standardowe wartości w tabela zagnieżdżonej NODE_DISTRIBUTION, zobacz Model zawartości dla modeli regresją górnictwo (Analysis Services - wyszukiwania danych).

Powrót do początku

Logistyczne regresja jest zazwyczaj używany w scenariuszach miejsce analizowanie czynników, które przyczyniają się do wyniku binarny.Chociaż model używany w samouczku Prognozuje wartości ciągłego, ServiceGrade, w rzeczywistym scenariuszu warto zestaw model przewidzieć, czy klasa usługa spełnione niektóre discretized wartości miejsce docelowe.Alternatywnie można wyjściowe prognoz używanie ciągłej wartości, ale później pogrupować przewidywanych wyników w dobrej, targów lub niska.

Poniższy przykład ilustruje sposób zmienić sposób zgrupowaniem przewidywalne atrybut.W tym celu utworzyć kopię struktury górnictwa i następnie zmienić metoda discretization miejsce docelowe kolumny tak, aby wartości są zgrupowane zamiast ciągłe.

W poniższej procedurze opisano, jak zmienić grupowanie Service Grade wartości wywołania centrum danych.

Aby utworzyć discretized wersja struktura wyszukiwania Centrum obsługi telefonicznej i modeli

W następującej kwerendzie przykładowej jest oparty na modelu discretized i prognozuje klasy usługa na określony dzień tygodnia, prawdopodobieństwa dla każdego przewidywanego wyniku.

SELECT
  (PredictHistogram([Call Center_LR 1].[Service Grade])) as [Predictions]
FROM
  [Call Center_LR 1]
NATURAL PREDICTION JOIN
(SELECT 'Saturday' AS [Day Of Week]) AS t  

Oczekiwane wyniki:

Należy zauważyć, że przewidywane wyniki zostały zgrupowane w trzech kategoriach określone; Jednakże te grupy są oparte na klastrowanie wartości rzeczywistych danych nie dowolne wartości, które zestaw jako cele biznesowe.

Powrót do początku