Badanie modelu sieci neuronowe (Analysis Services-wyszukiwania danych)

Następująca kwerenda zwraca pewne podstawowe metadane dotyczące modelu, który został zbudowany przy użyciu Microsoft sieci neuronowe algorytmu.W modelu sieci neuronowe węzła nadrzędnego modelu zawiera tylko nazwę modelu, nazwa bazy danych, gdzie model jest przechowywana i liczba węzłów podrzędność.Jednak węzeł Statystyka kredytu marginalnego (NODE_TYPE = 24) zapewnia podstawowe metadane i niektórych pochodnych statystyki dotyczące wprowadzania kolumny używane w modelu.

W następującej kwerendzie przykładowej opiera się na model wyszukiwania , utworzyć w Pośrednie samouczek wyszukiwania danycho nazwie Call Center Default NN.Model używa danych z Centrum wywołanie zbadania możliwych korelacji pomiędzy obsadzania i liczba wywołań, zamówień i problemów.Instrukcja DMX pobiera dane z węzeł Statystyka marginalny modelu sieci neuronowe.Kwerenda zawiera słowa kluczowego FLATTENED, ponieważ statystyki wprowadzania atrybut odsetki są przechowywane w tabela zagnieżdżonej NODE_DISTRIBUTION.Jednakże jeśli kwerenda dostawca obsługuje hierarchicznych zestawów wierszy nie trzeba używać słowa kluczowego FLATTENED.

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:

Definicja kolumn w zestawie zestaw wierszy schematu oznacza w kontekście model sieci neuronowe, zobacz Model zawartości dla sieci neuronowe modeli górnictwo (Analysis Services - wyszukiwania danych).

Powrót do początku

Można znaleźć informacje, które zwracanego przez kwerendy wyszukiwania danych w kwerendzie zawartości DMX zestaw zestaw wierszy schematu.Jednak zestaw zestaw wierszy schematu zawiera niektóre dodatkowe kolumny.W następującej kwerendzie przykładowej zwraca datę utworzenia modelu, data została zmodyfikowana i datę ostatniego przetworzenia modelu.Kwerenda zwraca również przewidywalne kolumn, które nie są łatwo dostępne z modelu zawartości, i parametrów używanych do tworzenia modelu.Informacje te mogą być pomocne przy dokumentowaniu 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

Można pobrać pary atrybut wartość wejściowa używane do tworzenia modelu przez badanie węzły 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:

Tutaj są wyświetlane tylko kilka reprezentatywnych wiersze z wyniki.Jednakże można zobaczyć, że NODE_DESCRIPTION zawiera informacje nieco inny w zależności od typu danych wejściowych atrybut.

• Jeśli atrybut jest wartość discrete lub discretized, atrybut i jego wartość lub jej zakres discretized są zwracane.

• Jeśli atrybut jest typu ciągłego dane liczbowe, NODE_DESCRIPTION zawiera nazwę atrybutu.Jednakże można pobrać tabela zagnieżdżonej NODE_DISTRIBUTION celu uzyskania średniej lub return NODE_RULE do uzyskania wartości minimalne i maksymalne zakres liczb.

Następująca kwerenda pokazuje, jak kwerenda tabela zagnieżdżonej NODE_DISTRIBUTION zwraca atrybuty w jednym kolumnai ich wartości w innym kolumna.Ciągłe atrybut 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:

Minimalny i maksymalny zakres wartości są przechowywane kolumna NODE_RULE i są reprezentowane jako XML fragment, jak pokazano w następującym przykładzie:

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

Powrót do początku

Model zawartości model sieci neuronowe ma strukturę w sposób, który ułatwia pobierania szczegółów dowolnego węzła w sieci.Ponadto numery identyfikatorów węzłów dostarczają informacji pomaga zidentyfikować relacje między typami węzłów.

Poniższa kwerenda przedstawia sposób pobrać współczynniki, które są przechowywane w określonym węźle warstwy ukryte.Warstwy ukryte 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 atrybuty 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:

Wyniki częściowe tu wykazać, jak zawartość model sieci neuronowe dotyczy węzła ukryte węzłów wejściowych.

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

• Unikatowe nazwy węzłów w wejściowy warstwy zawsze zaczynają się od 60000000.

Dlatego te wyniki informujący że oznaczona 70000000200000000 identyfikator węzła miał sześć różnych współczynników (VALUETYPE = 7) do niej przekazany.Wartości współczynników znajdują się kolumna ATTRIBUTE_VALUE.Można określić dokładnie co wprowadzania atrybut współczynnik jest przy użyciu Identyfikatora węzła kolumna ATTRIBUTE_NAME.Na przykład 6000000000000000a Identyfikatora węzła odwołuje się atrybut wejściowe i wartości, Day of Week = 'Tue.' identyfikator węzła można użyć do utworzenia kwerendy lub do węzła można przeglądać za pomocą Ogólnej zawartości drzewa Podgląd programu Microsoft.

Podobnie jeśli kwerenda tabela NODE_DISTRIBUTION węzłów w warstwie danych wyjściowych (NODE_TYPE = 23), można zobaczyć współczynniki dla Wyjście każda wartość.Jednak w warstwie wyjściowych wskaźników odwołaj się do węzłów warstwy ukryte.Aby uzyskać więcej informacji, zobacz Model zawartości dla sieci neuronowe modeli górnictwo (Analysis Services - wyszukiwania danych).

Powrót do początku

Najprostszym sposobem skonstruować kwerendę, przewidywanie na modelu sieci neuronowe jest użycie konstruktora kwerend przewidywanie, dostępny na Górnictwa przewidywanie kartę Projektant wyszukiwania danych w obu SQL Server Management Studio i Business Intelligence Development Studio.Można przeglądać w modelu Microsoft neuronowe podglądu sieci do atrybuty trendów odsetek i widoku filtru, a następnie przejdź do Górnictwa przewidywania kartę, aby utworzyć kwerendę i przewidzieć nowe wartości dla tych tendencji.

Na przykład można przeglądać modelu Centrum wywołanie do wyświetlania korelacje między woluminami zamówienia i inne atrybuty.Aby to zrobić, Otwórz model w podglądzie, a dla wprowadzania, wybierz opcję <wszystkich>.Dalej dla produkcji, wybierz opcję Numer zamówienia.Dla wartość 1, zaznacz zakres, który stanowi najbardziej zamówień i wartość 2, zaznacz zakres, który reprezentuje najmniejszą liczbą zamówień.Następnie widać od razu wszystkie atrybuty, które modelu jest całkowicie skorelowany z wielkość zamówienia.

Przeglądając wyniki w podglądzie, znaleźć określone dni tygodnia, że woluminy znaczących i wzrost liczby podmiotów gospodarczych wydaje skorelowane z wyższych sprzedaży.Można używać kwerendy przewidywanie na modelu do testowania w "co-jeśli" hipoteza i poproś, jeśli zwiększenie liczby podmiotów poziom 2 w dniu niskim poziomie zwiększyłoby zamówień.Aby to zrobić, 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:

Przewidywana wielkość sprzedaży jest wyższa niż bieżący zakres sprzedaży o wtorek i prawdopodobieństwo przewidywanie jest bardzo wysoki.Jednak warto utworzyć wiele prognoz za pomocą partia proces testowania różnych hipotez na modelu.

Powrót do początku