Önbelleğin Bayes Model sorgulama (- Analysis Services veri madenciliği)
Bir veri karşı bir sorgu oluşturduğunuzda, araştırma modeli, analiz keşfedilen desenleri hakkında ayrıntılı bilgi sağlayan ya da bir içerik sorgu oluşturabilir veya yeni veri için Öngörüler yapmak modelinde desenleri kullanır tahmin sorgu oluşturabilirsiniz.Veri madenciliği şema satır kümesi karşı bir sorgu kullanarak modeli hakkında meta veriler de alabilirsiniz.Bu bölümde, bu üzerinde Microsoft önbelleğin Bayes algoritma dayalı modelleri için sorgular oluşturmak açıklar.
İçerik sorguları
dmx kullanarak modeli meta veriler alma
Eğitim veri özeti alınıyor
Öznitelikler hakkında daha fazla bilgi bulma
Sistem saklı yordamları kullanma
Tahmin sorgular
Bir singleton Query'yi kullanarak sonuçlarını tahmin etmek
Öngörüler değerlerle olasılık ve destek alma
İlişkileri tahmin etmek
Önbelleğin Bayes modeli hakkında bilgi bulma
Önbelleğin Bayes modeli modeli içeriği eğitim veri değerleri dağılımı hakkında toplanan bilgileri sağlar.Veri madenciliği şema satır kümeleri sorgular oluşturarak modeli meta veriler hakkında bilgi de alabilirsiniz.
Örnek sorgu 1: dmx kullanarak modeli meta veri alma
Veri madenciliği şema satır kümesi sorgulayarak, model için meta veriler bulabilirsiniz.Model oluşturulduğu zaman, modeli son işlendiği zaman modelin temel araştırma yapısı adını ve öngörülebilir bir öznitelik olarak kullanılan sütunları adını içerebilir.Model oluşturulduğunda kullanılan parametreleri de döndürebilir.
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'
Örnek sonuçlar:
MODEL_CATALOG |
AdventureWorks |
MODEL_ADI |
TM_NaiveBayes_Filtered |
DATE_CREATED |
3/1/2008 19:15 |
LAST_PROCESSED |
3/2/2008 20:00 |
HİZMET_ADI |
Microsoft_Naive_Bayes |
PREDICTION_ENTITY |
Bisiklet alıcı, yıllık gelir |
FILTER |
[Bölge] = 'Avrupa' VEYA [Bölge] = 'Kuzey Amerika' |
Bu örnek için kullanılan modeli oluşturmak, önbelleğin Bayes modeli esas Temel veri madenciliği öğreticisi, ikinci öngörülebilir bir öznitelik eklemek ve eğitim veri. için filtre uygulama tarafından değiştirildi, ancak
Başa dön
Örnek sorgu 2: Eğitim veri özeti alınıyor
Önbelleğin Bayes modelinde, Marjinal istatistikleri düğüm dağıtım eğitim veri değerleri hakkında toplanan bilgileri depolar.Bu Özet, uygun olan ve aynı bilgileri bulmak için eğitim verileri sql sorgularını oluşturmak zorunda kalmazsınız.
Aşağıdaki örnek düğümünden verileri almak için dmx içerik sorgu kullanır (node_type = 24).İstatistikleri iç içe geçmiş tablo içinde saklandığından, sonuçlar görüntülemek daha kolay hale getirmek için flattened anahtar sözcüğü kullanılır.
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
Not
Destek ve olasılık, sütun adı aynı adları çok boyutlu ifadeleri (rezerve mdx) anahtar sözcüklerin tümünden bunları birbirinden ayırmak için ayraç içine almalısınız.
Kısmi sonuçlar:
MODEL_ADI |
t.ATTRIBUTE_NAME |
t.ATTRIBUTE_VALUE |
t.support |
t.PROBABILITY |
t.VALUETYPE |
---|---|---|---|---|---|
TM_NaiveBayes |
Bisiklet alıcı |
Eksik |
0 |
0 |
1 |
TM_NaiveBayes |
Bisiklet alıcı |
0 |
8869 |
0.507263784 |
4 |
TM_NaiveBayes |
Bisiklet alıcı |
1 |
8615 |
0.492736216 |
4 |
TM_NaiveBayes |
Cinsiyet |
Eksik |
0 |
0 |
1 |
TM_NaiveBayes |
Cinsiyet |
F |
8656 |
0.495081217 |
4 |
TM_NaiveBayes |
Cinsiyet |
M |
8828 |
0.504918783 |
4 |
Örneğin, bu sonuçlar, ayrı her değer için eğitim durumlarda sayısı söylemek (valuetype = 4), düzeltilmiş değerleri eksik hesaplanan olasılık ile birlikte (valuetype = 1).
NODE_DISTRIBUTION'de verilen değerleri bir tanımı için tablo bir önbelleğin Bayes modeli Bkz: Önbelleğin Bayes modeller için içerik modeli mining (Analysis Services - veri madenciliği).Değerleri eksik destek ve olasılık hesaplamaları nasıl etkileneceği hakkında daha fazla bilgi için bkz: Değerleri eksik (Analysis Services - veri madenciliği).
Başa dön
Örnek sorgu 3: Öznitelikler hakkında daha fazla bilgi bulma
Önbelleğin Bayes modeli genellikle değişik özellikleri arasındaki ilişki hakkında karmaşık bilgi içerdiğinden, bu ilişkileri görüntülemek için en kolay yolu kullanmaktır Önbelleğin Bayes Görüntüleyici Microsoft.Ancak, verileri döndürmek için dmx sorguları oluşturabilirsiniz.
Aşağıdaki örnek modelinden belirli bir öznitelik hakkında bilgi almak nasıl gösterir Region.
SELECT NODE_TYPE, NODE_CAPTION,
NODE_PROBABILITY, NODE_SUPPORT, MSOLAP_NODE_SCORE
FROM TM_NaiveBayes.CONTENT
WHERE ATTRIBUTE_NAME = 'Region'
Bu sorgu düğümleri iki tür döndürür: Giriş özniteliği gösteren düğümü (node_type = 10) ve her değeri öznitelik düğümleri (node_type = 11).Resim yazısı öznitelik adı ve öznitelik değerinin gösterildiğinden düğüm resim yazısı düğüm adı yerine düğümü tanımlamak için kullanılır.
NODE_TYPE |
NODE_CAPTION |
NODE_PROBABILITY |
NODE_SUPPORT |
MSOLAP_NODE_SCORE |
NODE_TYPE |
---|---|---|---|---|---|
10 |
Bisiklet alıcı -> bölge |
1 |
17484 |
84.51555875 |
10 |
11 |
Bisiklet alıcı -> bölge eksik = |
0 |
0 |
0 |
11 |
11 |
Bisiklet alıcı -> bölge Kuzey Amerika = |
0.508236102 |
8886 |
0 |
11 |
11 |
Bisiklet alıcı -> bölge Pasifik = |
0.193891558 |
3390 |
0 |
11 |
11 |
Bisiklet alıcı -> bölge Avrupa = |
0.29787234 |
5208 |
0 |
11 |
Düğümün olasılık puan ve düğüm değerlerini destek gibi bazı düğümler depolanan sütunlar, Marjinal istatistikleri düğümlerden alabilirsiniz aynıdır.Ancak msolap_node_score yalnızca giriş öznitelik düğümleri için sağlanan özel bir değerdir ve bu modeli özniteliği göreli önemini belirtir.Görüntüleyici bağımlılık ağ bölmede çok aynı bilgileri görebilirsiniz; Ancak, Görüntüleyici puanlarını sağlamaz.
Aşağıdaki sorgu tüm öznitelikler önem skorları modelde döndürür:
SELECT NODE_CAPTION, MSOLAP_NODE_SCORE
FROM TM_NaiveBayes.CONTENT
WHERE NODE_TYPE = 10
ORDER BY MSOLAP_NODE_SCORE DESC
Örnek sonuçlar:
NODE_CAPTION |
MSOLAP_NODE_SCORE |
---|---|
Bisiklet alıcı -> toplam Children |
181.3654836 |
Bisiklet alıcı -> uzaklık iletişim |
179.8419482 |
Bisiklet alıcı -> İngilizce eğitimi |
156.9841928 |
Bisiklet alıcı -> numara Children At Giriş |
111.8122599 |
Bisiklet alıcı -> bölge |
84.51555875 |
Bisiklet alıcı -> medeni durum |
23.13297354 |
Bisiklet alıcı -> İngilizce meslek |
2.832069191 |
Modeli içeriği göz atarak Microsoft Genel içerik ağacı Görüntüleyici, hangi istatistiklerin ilginç olabilir hakkında daha iyi bir fikir elde edersiniz.Basit bazı örnekler aşağıda gösterilen; daha sık, gerekebilir yürütmek çok sorgular veya sonuçlar depolamak ve bunları istemci üzerinde işlem.
Başa dön
Örnek sorgu 4: Saklı yordamları kullanarak sistem
İçerik sorguları yazma yanı sıra sonuçlar keşfetmek için bazı Analysis Services sistem saklı yordamları kullanabilirsiniz.Kullanmak için bir sistem saklı yordamı, arama anahtar sözcüğü ile saklı yordam adı öneki:
CALL GetPredictableAttributes ('TM_NaiveBayes')
Kısmi sonuçlar:
ÖZNİTELİK_ADÝ |
NODE_UNIQUE_NAME |
---|---|
Bisiklet alıcı |
100000001 |
Not
Bu sistem saklı yordamları Analysis Services sunucu ve istemci arasındaki iç iletişim için olan ve yalnızca geliştirme ve sınama veri madenciliği modelleri, kolaylık olması için kullanılmalıdır.Bir üretim sistemi için sorgular oluşturduğunuzda, her zaman dmx kullanarak kendi sorguları yazsın.
Analysis Services hakkında daha fazla bilgi için sistem saklı yordamları, bkz: Veri madenciliği depolanan yordamlar (Analysis Services - veri madenciliği).
Başa dön
Öngörüler yapmak için önbelleğin Bayes Model kullanma
Microsoft önbelleğin algoritmasıdır genellikle Bayes daha az tahmin giriş ve öngörülebilir öznitelikleri arasında ilişkilerin incelenmesi için olandan kullanılır.Ancak, model, öngörü ve Birliği için tahmin işlevleri kullanımını destekler.
Örnek sorgu 5: Bir Singleton Query'yi kullanarak sonuçlarını tahmin etmek
Bu özelliklere sahip bir müşteri büyük olasılıkla bir bisiklet satın almak mi bir singleton sorgu tahmin ve yeni bir değer sağlamak için aşağıdaki sorguyu kullanır temel model üzerinde.Kullanarak bir regresyon modeli bir singleton sorgu oluşturmak için en kolay yolu olan Singleton sorgu giriş iletişim kutusu.Örneğin, aşağıdaki dmx sorgu seçerek oluşturabilir TM_NaiveBayes modeli seçme Singleton sorgu, açılan listeden değer seçerek listeler ve [Commute Distance] ve 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
Örnek sonuçlar:
İfade |
---|
0 |
Tahmin işlev verir en olası değer, bu durumda, 0, müşteri bu tür bir bisiklet satın alma olasılığınız anlamına gelir.
Başa dön
Örnek sorgu 6: Olasılık ve Destek değerleri ile Öngörüler alınıyor
Bir sonucunu tahmin etmek yanında, sık sık öngörü nasıl güçlü olduğunu bilmek istersiniz.Aşağıdaki sorgu önceki örnekle aynı singleton sorgu kullanır, ancak tahmin işlev ekler 'ınPredictHistogram (dmx)istatistikleri içeren iç içe geçmiş tablo dönmek içinöngörü.
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
Örnek sonuçlar:
Bisiklet alıcı |
$DESTEK |
$OLASILIK |
$ADJUSTEDPROBABILITY |
$SAPMA |
$STDSAPMA |
---|---|---|---|---|---|
0 |
10161.5714 |
0.581192599 |
0.010530981 |
0 |
0 |
1 |
7321.428768 |
0.418750215 |
0.008945684 |
0 |
0 |
|
0.999828444 |
5.72E-05 |
5.72E-05 |
0 |
0 |
Son satırda tablo destek ve olasılık eksik değer ayarlamaları gösterir.Varyans ve standart sapma değerleri, her zaman 0, önbelleğin Bayes modeller sürekli değerleri model olamaz çünkü.
Başa dön
Örnek sorgu 7: İlişkileri tahmin etmek
Araştırma yapısı iç içe geçmiş tablo anahtar olarak öngörülebilir öznitelik içeriyorsa Microsoft önbelleğin Bayes algoritması ilişki analizi için kullanılabilir.Örneğin, önbelleğin Bayes modelini kullanarak oluşturacağınız araştırma yapısı oluşturulan Ders 3: Pazar sepeti senaryo (Ara veri madenciliği Öğreticisi) oluşturma veri madenciliği öğreticisi.Bu örnekte kullanılan modeli durumda gelir ve müşteri bölge hakkında bilgi eklemek için değiştirildiği tablo.
Ürün satınalma işlemleri için ilgili ürünler öngörür bir singleton sorgu aşağıdaki sorgu örnek gösterir 'Road Tire Tube'.Müşteri belirli bir tür ürünleri önermek için bu bilgileri kullanabilir.
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
Kısmi sonuçlar:
Model |
---|
Bayan Dağ Şortu |
Su şişe |
Touring-3000 |
Touring-2000 |
Touring-1000 |
Başa dön
Fonksiyon listesi
Tüm Microsoft algoritmaları desteği ortak küme işlevleri.Ancak, Microsoft önbelleğin Bayes algoritmasını destekler üzerinde ek işlevleri listelenen aşağıdaki tablo.
Tüm ortak işlevlerin listesi için Microsoft algoritmalar, bkz: Algoritma başvurusu (- Analysis Services veri madenciliği).Belirli işlevleri sözdizimini görmek Veri madenciliği Extensions (dmx) işlev başvurusu.