Podczas badania modelu neuronowe sieci (Analysis Services-wyszukiwanie danych)

Następująca kwerenda zwraca pewne podstawowe metadane dotyczące modelu, który został zbudowany przy użyciu Microsoft Algorytm neuronowe sieci. W modelu sieci neuronowe węzła nadrzędnego modelu zawiera tylko nazwę modelu, nazwa bazy danych, w której przechowywane są w modelu oraz liczby węzłów podrzędność.Jednak węzeł marginalna statystyk (NODE_TYPE = 24) zawiera zarówno te podstawowe metadane i niektóre pochodnego statystyki dotyczące wprowadzania kolumn w modelu.

W następującej kwerendzie przykładowej jest oparty na model wyszukiwania, które są tworzone w Pośrednie wyszukiwanie danych — samouczek, named Call Center Default NN. Model korzysta z danych od środka wywołanie zbadanie możliwości korelacji pomiędzy obsadzania i liczbę połączeń, zamówień i problemów.Instrukcja DMX pobiera dane z węzła marginalna statystyki modelu neuronowe sieci.Kwerenda zawiera słowo kluczowe FLATTENED, ponieważ statystyki odsetki są przechowywane w tabela zagnieżdżonej NODE_DISTRIBUTION.Niemniej jednak jeśli dostawca kwerendy obsługuje hierarchiczne zestawy wierszy nie trzeba FLATTENED słowo kluczowe.

SELECT FLATTENED MODEL_CATALOG, MODEL_NAME, 
(    SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE,
     [SUPPORT], [PROBABILITY], VALUETYPE 
     FROM NODE_DISTRIBUTION
) AS t
FROM [Call Center Default NN].CONTENT
WHERE NODE_TYPE = 24

Przykład wyniki:

Aby definicje kolumn w zestawie zestaw wierszy schematu znaczenie w kontekście modelu neuronowe sieci Zobacz model wyszukiwania Zawartości dla neuronowe modele sieci (Analysis Services — wyszukiwanie danych).

Powrót do początku

Można znaleźć informacje, które są zwracane w kwerendzie zawartości DMX za pomocą kwerend wysyłanych do zestaw zestaw wierszy schematu wyszukiwanie danych.Jednak zestaw wierszy schemat zawiera kilka dodatkowych kolumn.W następującej kwerendzie przykładowej zwraca datę, która została utworzona w modelu, data, został zmodyfikowany i datę ostatniego przetworzenia modelu.Kwerenda zwraca również przewidywalne kolumn, które nie są łatwo dostępne w modelu zawartości, oraz parametry, które były używane w celu utworzenia modelu.Informacje te mogą być przydatne do dokumentowania modelu.

SELECT MODEL_NAME, DATE_CREATED, LAST_PROCESSED, PREDICTION_ENTITY, MINING_PARAMETERS 
from $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'Call Center Default NN'

Przykład wyniki:

Powrót do początku

Możesz pobrać pary atrybut wartość wejściowa użytych do utworzenia modelu za pomocą kwerend wysyłanych do węzłów podrzędność (NODE_TYPE = 20) warstwy wejściowy (NODE_TYPE = 18).Następująca kwerenda zwraca listę atrybutów wejściowego z opisy węzła.

SELECT NODE_DESCRIPTION
FROM [Call Center Default NN].CONTENT
WHERE NODE_TYPE = 2

Przykład wyniki:

W tym polu wyświetlane są tylko kilku reprezentatywnych wierszy w wynikach.Jednak można zobaczyć, że NODE_DESCRIPTION informacje nieco inny w zależności od typu danych wejściowych atrybut.

• Jeśli atrybut jest wartość discrete lub discretized, NODE_DESCRIPTION zawiera atrybut i jej wartość lub atrybut i jego discretized zakres.

• Jeśli atrybut jest typ danych numerycznych ciągłe, the NODE_DESCRIPTION zawiera tylko nazwę atrybutu.Jednak można pobrać zagnieżdżona tabela NODE_DISTRIBUTION uzyskania średniej lub możesz pobrać NODE_RULE uzyskanie minimalną i maksymalną wartość liczbową zakres.

Następująca kwerenda pokazuje, jak kwerenda zagnieżdżona tabela NODE_DISTRIBUTION do zwracania atrybutów w jednej kolumnie i ich wartości w innej kolumnie.Należy zauważyć, że dla atrybut ciągłe, wartość atrybut jest reprezentowany przez jego średniej.

SELECT FLATTENED 
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE
FROM NODE_DISTRIBUTION) as t
FROM [Call Center Default NN -- Predict Service and Orders].CONTENT
WHERE NODE_TYPE = 21

Przykład wyniki:

Wartości minimalne i maksymalne zakres są przechowywane kolumna NODE_RULE i są reprezentowane jako XML fragment, jak pokazano w poniższym przykładzie:

<NormContinuous field="Level 1 Operators">  
  <LinearNorm orig="2.83967303681711" norm="-1" />  
  <LinearNorm orig="3.75291955577548" norm="1" />  
</NormContinuous>  

Powrót do początku

Model zawartości modelu neuronowe sieci ma strukturę w taki sposób, że można w prosty sposób pobierania szczegółów dowolnego węzła w sieci.Ponadto numery identyfikatorów węzłów zawierają informacje, które pomagają określić relacje między typami węzłów.

Następująca kwerenda pokazuje, jak pobrać współczynniki, które są przechowywane w określonym węźle ukrytej warstwie.Ukrytej warstwie składa się z węzła programu organizer (NODE_TYPE = 19), który zawiera tylko metadane i wielu węzłów podrzędność (NODE_TYPE = 22), które zawierają współczynniki dla różnych kombinacji atrybutów i wartości.Ta kwerenda zwraca tylko węzły współczynnik.

SELECT FLATTENED TOP 1 NODE_UNIQUE_NAME, 
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE, VALUETYPE
FROM NODE_DISTRIBUTION) as t
FROM  [Call Center Default NN -- Predict Service and Orders].CONTENT
WHERE NODE_TYPE = 22
AND [PARENT_UNIQUE_NAME] = '40000000200000000' FROM [Call Center Default NN].CONTENT

Przykład wyniki:

Częściowe wyniki pokazanego wykazać, jak zawartość modelu sieci neuronowe dotyczy ukryte węzła węzłów wejściowych.

• Unikatowe nazwy węzłów w ukrytej warstwie zawsze zaczynają się od 70000000.

• Unikatowe nazwy węzłów wejściowych warstwie zawsze zaczynają się od 60000000.

W ten sposób te wyniki informujący że oznaczona 70000000200000000 identyfikator węzła ma sześć różnych współczynnikach (wartości = 7) do niej przekazany.Wartości współczynników znajdują się kolumna ATTRIBUTE_VALUE.Można określić dokładnie co wejściowy współczynnik jest przy użyciu IDENTYFIKATORA węzła kolumna ATTRIBUTE_NAME atrybut.

Na przykład 6000000000000000a identyfikator węzła odwołuje się atrybut wejściowy i wartości, Day of Week = 'Tue.' Identyfikator węzła można użyć do utworzenia kwerendy lub do węzła można przeglądać za pomocą Podgląd zawartości drzewa rodzajowa firmy Microsoft.

Podobnie jeżeli kwerenda tabela NODE_DISTRIBUTION węzłów w warstwie danych wyjściowych (NODE_TYPE = 23), można wyświetlić współczynniki dla każdego wyjściowych wartości.Jednak w warstwie danych wyjściowych wskaźników dotyczą ponownie węzły ukrytej warstwie.Aby uzyskać więcej informacji zobaczmodel wyszukiwania Zawartości dla neuronowe modele sieci (Analysis Services — wyszukiwanie danych).

Powrót do początku

Najprostszym sposobem skonstruować kwerendę przewidywanie na modelu neuronowe sieci jest użycie konstruktora kwerend prognozowania, dostępny na Prognozowania wyszukiwania kartę Konstruktor wyszukiwanie danych w obu SQL Server Management Studio i Business Intelligence Development Studio. Można przeglądać w modelu Microsoft Neuronowe podglądu sieci filtrowania atrybutów odsetek i przeglądanie trendów, a następnie przełącz się do Prognozowania wyszukiwania kartę, aby utworzyć kwerendę i przewidywanie nowe wartości dla tych trendów.

Na przykład można przeglądać model Centrum wywołania, aby wyświetlić korelacji pomiędzy wielkość zamówienia i inne atrybuty.Aby to zrobić, Otwórz model, w przeglądarce, a dla Dane wejściowe, select <Wszystkie>. Następnie dla Dane wyjściowe, select Numer zamówienia.Dla Wartość 1, zaznacz zakres, który przedstawia najbardziej zamówień, a dla Wartość 2, zaznacz zakres, który reprezentuje najmniejsze zamówień.Następnie widoczne na pierwszy rzut oka wszystkie atrybuty modelu jest całkowicie skorelowany z ilością zamówienia.

Przeglądając wyniki w przeglądarce, można znaleźć określone dni tygodnia, że woluminy znaczących i że wzrost liczby podmiotów gospodarczych wydaje się można skorelować z wyższym sprzedaży.Można następnie użyć kwerendy przewidywanie na modelu do testowania hipotez "co w przypadku, gdy" i poprosić o zwiększenie liczby podmiotów gospodarczych, poziom 2 w dniu niskim woluminu może zwiększyć zamówień.W tym celu należy utworzyć kwerendę, takie jak:

SELECT Predict([Call Center Default NN].[Number of Orders]) AS [Predicted Orders],
PredictProbability([Call Center Default NN].[Number of Orders]) AS [Probability]
FROM [Call Center Default NN]
NATURAL PREDICTION JOIN 
(SELECT 'Tue.' AS [Day of Week]
13 AS [Level 2 Operators] AS t

Przykład wyniki:

Przewidywane wielkości sprzedaży jest większa niż bieżący zakres sprzedaży dla wtorku, a prawdopodobieństwo przewidywanie jest bardzo duża.Można jednak utworzyć wiele prognoz za pomocą procesu partia do testowania różnych hipotez w modelu.

Powrót do początku