Badanie Naive Bayes Model (Analysis Services - wyszukiwania danych)

Przez badanie zestaw wierszy schematu wyszukiwanie danych, można znaleźć metadane modelu.Gdy model został utworzony, gdy model ostatnio został przetworzony, nazwa może obejmować struktura wyszukiwania że zależy od modelu i nazwy kolumn są używane jako atrybut przewidywalne.Może również zwracać parametry, które były używane podczas tworzenia modelu.

SELECT MODEL_CATALOG, MODEL_NAME, DATE_CREATED, LAST_PROCESSED,
SERVICE_NAME, PREDICTION_ENTITY, FILTER
FROM $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'TM_NaiveBayes_Filtered'

Przykładowe wyniki:

Model używany w tym przykładzie jest oparty na modelu Naive Bayes, Utwórz w Samouczek wyszukiwania danych podstawowych, ale był modyfikowany przez dodanie drugiego atrybut przewidywalny i zastosowanie filtru do danych szkolenia.

Powrót do początku

W modelu Naive Bayes węzeł Statystyka marginalny przechowuje zagregowane informacje o dystrybucji wartości w dane szkolenia.Podsumowanie to jest wygodne i pozwala uniknąć tworzenia kwerend SQL danych szkolenia te same informacje.

W poniższym przykładzie użyto DMX kwerendy zawartości do pobierania danych z węzła (NODE_TYPE = 24).Ponieważ statystyki są przechowywane w tabela zagnieżdżonej, słowo kluczowe FLATTENED jest używana do ułatwiają wyświetlanie wyniki.

SELECT FLATTENED MODEL_NAME,
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE, [SUPPORT], [PROBABILITY], VALUETYPE FROM NODE_DISTRIBUTION) AS t
FROM TM_NaiveBayes.CONTENT
WHERE NODE_TYPE = 26

Wyniki częściowe:

Na przykład, wyniki te określić liczbę przypadków szkolenia dla każdej wartości discrete (VALUETYPE = 4), wraz z prawdopodobieństwem obliczaną, skorygowana dla brakujących wartości (VALUETYPE = 1).

Definicję wartości podane w tabela NODE_DISTRIBUTION w modelu Naive Bayes Górnictwo modelu zawartości dla modeli Naive Bayes (Analysis Services - wyszukiwania danych).Aby uzyskać informacje dotyczące sposobu obliczenia pomocy technicznej i prawdopodobieństwo dotyczy brakujących wartości, zobacz Brak wartości (Analysis Services - wyszukiwania danych).

Powrót do początku

Ponieważ model Naive Bayes często zawiera złożone informacje o relacje między różnymi atrybutami, najprostszym sposobem wyświetlania tych relacji jest użycie Podgląd programu Microsoft Naive Bayes.Można jednak utworzyć kwerendy DMX, aby zwrócić dane.

Poniższy przykład ilustruje sposób do zwracania informacji z modelu o określonego atrybut Region.

SELECT NODE_TYPE, NODE_CAPTION, 
NODE_PROBABILITY, NODE_SUPPORT, MSOLAP_NODE_SCORE
FROM TM_NaiveBayes.CONTENT
WHERE ATTRIBUTE_NAME = 'Region'

Ta kwerenda zwraca dwa typy węzłów: węzeł reprezentujący atrybut wejściowy (NODE_TYPE = 10) i węzłów dla każdej wartości atrybutu (NODE_TYPE = 11).Podpis węzła jest używany do identyfikowania węźle zamiast nazwy węzła, ponieważ podpis zawiera nazwę atrybut i wartość atrybut.

Niektóre kolumny przechowywane w węzłach są takie same, można uzyskać od węzłów marginalny statystyki, takie jak ocena prawdopodobieństwa węzła i węzeł obsługuje wartości.Jednakże MSOLAP_NODE_SCORE jest wartością specjalną dostarczane tylko dla węzłów atrybutu wejściowych i wskazuje względną ważnością ten atrybut w modelu.Można wyświetlić wiele tych samych informacji w okienku zależności sieci podglądu; Przeglądarka nie zapewnia jednak wyniki.

Następująca kwerenda zwraca wyniki znaczenie wszystkich atrybutów w modelu:

SELECT NODE_CAPTION, MSOLAP_NODE_SCORE
FROM TM_NaiveBayes.CONTENT
WHERE NODE_TYPE = 10
ORDER BY MSOLAP_NODE_SCORE DESC

Przykładowe wyniki:

Przeglądając zawartość modelu w Przeglądarka Microsoft ogólna zawartość drzewa, otrzymasz zorientować się jakie statystyki mogą być interesujące.Proste przykłady wykazano poniżej; częściej może być konieczne wykonać wielu kwerend lub zapisać wyniki i ich przetworzenia klient.

Powrót do początku

W uzupełnieniu do pisania kwerend zawartości, można użyć niektórych usług Analysis Services procedury składowane w systemie badanie wyniki.Aby użyć systemowa procedura składowana, Nazwa procedura składowana ze słowem kluczowym wywołanie prefiksu:

CALL GetPredictableAttributes ('TM_NaiveBayes')

Wyniki częściowe:

Aby uzyskać więcej informacji dotyczących usługi Analysis Services procedury składowane w systemie, zobacz Procedury przechowywane do wyszukiwania danych (Analysis Services - wyszukiwania danych).

Powrót do początku

Następujące zastosowania kwerendy pojedyncza kwerendy nową wartość i przewidywania, oparty na modelu, czy klient z tych cech może kupić rower.Najprostszym sposobem utworzenia kwerendy singleton na modelu regresja jest za pomocą Wprowadzania kwerendy Singleton okno dialogowe.Na przykład utworzyć następującą kwerendę DMX wybierając TM_NaiveBayes wzór, wybierając Kwerendy Singleton, i wybranie wartości z listy rozwijanej listy dla [Commute Distance] i Gender.

SELECT
  Predict([TM_NaiveBayes].[Bike Buyer])
FROM
  [TM_NaiveBayes]
NATURAL PREDICTION JOIN
(SELECT '5-10 Miles' AS [Commute Distance],
  'F' AS [Gender]) AS t

Przykład wyniki:

Funkcja przewidywanie zwraca najprawdopodobniej wartość, w tym przypadek 0, co oznacza ten typ klienta jest mało prawdopodobne, aby kupić rower.

Powrót do początku

W uzupełnieniu do przewidywanie wyniku, często chcą wiedzieć, jak silne jest przewidywanie.Następująca kwerenda używa tej samej kwerendzie singleton w poprzednim przykładzie, ale dodaje funkcja przewidywanie PredictHistogram (DMX), aby zwrócić zagnieżdżoną tabela zawierającą statystyki wspierające przewidywanie.

SELECT
  Predict([TM_NaiveBayes].[Bike Buyer]),
  PredictHistogram([TM_NaiveBayes].[Bike Buyer])
FROM
  [TM_NaiveBayes]
NATURAL PREDICTION JOIN
(SELECT '5-10 Miles' AS [Commute Distance],
  'F' AS [Gender]) AS t

Przykład wyniki:

Wiersz końcowy w tabela pokazuje dostosowań do obsługi i prawdopodobieństwa dla brakujących wartości.Wariancja i odchylenie standardowe wartości są zawsze 0, ponieważ modele Naive Bayes nie modelu ciągłej wartości.

Powrót do początku

Algorytm Microsoft Naive Bayes może służyć do analizy skojarzenia Jeśli struktura wyszukiwania zawiera zagnieżdżoną tabela z atrybut przewidywalne jako klucz.Na przykład, można zbudować model Naive Bayes za pomocą struktura wyszukiwania utworzone w Lekcja 3: Tworzenie scenariusza koszyka rynku (samouczek wyszukiwania danych pośrednich) Samouczek wyszukiwanie danych.Model używany w tym przykładzie został zmodyfikowany, aby dodać informacje dotyczące dochodu i odbiorcy region przypadek tabela.

W poniższym przykładzie kwerenda pokazuje kwerendę singleton, która przewiduje produktów, które są związane z zakupów produktów, 'Road Tire Tube'.Zalecić produktów do określonego typu klient może użyć tych informacji.

SELECT   PredictAssociation([Association].[v Assoc Seq Line Items])
FROM [Association_NB]
NATURAL PREDICTION JOIN
(SELECT 'High' AS [Income Group],
  'Europe' AS [Region],
  (SELECT 'Road Tire Tube' AS [Model]) 
AS [v Assoc Seq Line Items]) 
AS t

Wyniki częściowe:

Powrót do początku