Filtre uygulanmış bir modelini (temel veri madenciliği Öğreticisi) sınama
Öðrendiðinize göre belirlenen TM_Decision_Tree en doğru iş modeli, model bağlamında değerlendirmek Adventure Works Cycles hedeflenen posta kampanya.Pazarlama departmanı erkek bisiklet alıcıların ve kadın bisiklet alıcıların özellikleri arasında fark olup olmadığını öğrenmek istemektedir.Bu bilgiler bunları hangi dergi reklam amaçlı kullanmak için karar yardımcı olur ve hangi ürünleri kendi postalar içinde özellik.
Bu derste, biz cinsiyeti üzerinde filtre uygulanmış bir model oluşturur.Daha sonra kolayca bu modelin kopyasını ve farklı bir cinsiyet üzerinde temel alan yeni bir model oluşturmak için yalnızca filtre koşulu değiştirmek.
Süzgeçleri hakkında daha fazla bilgi için bkz: Veri madenciliği modelleri için filtre oluşturma (- Analysis Services veri madenciliği).
Filtrelerin kullanımı
Filtreleme, kolayca veri alt kümeleri üzerinde geliştirilen modeller oluşturmanıza olanak verir.Filtre yalnızca modeli uygulanır ve alttaki veriler değişmez kaynak.İç içe geçmiş tablolar için filtre uygulama hakkında bilgi için bkz: Orta veri madenciliği Öğreticisi (- Analysis Services veri madenciliği).
Büyük tablolarda filtreleri
Önce bir kopyasını yapar TM_Decision_Tree modeli.
Karar ağacı modeli kopyalamak için
De Business Intelligence Development Studio, Solution Explorer içinde seçin ASDataMining2008.
' I Mining modeller sekmesi.
Sağ tıklatın TM_Decision_Tree model ve seçin Yeni Mining modeli.
De Model adı alan, type TM_Decision_Tree_Male.
Click OK.
Sonra müşteriler kendi cinsiyet üzerinde temel model için seçmek için bir filtre oluşturun.
Oluşturmak için bir durum bir araştırma modeli filtre
Sağ TM_Decision_Tree_Male kısayol menüsünü açmak için araştırma modeli.
-- veya --
Modeli seçin.Üzerinde Mining modeli Seç menüsünden Modeli filtresini ayarlamak.
De Modeli filtre iletişim kutusunda, üst Kılavuz satırı tıklatın Mining yapısı sütun metin kutusu.
Sütunların adlarını, içinde kapalı açılan liste görüntüler tablo.
Mining yapısı sütun metin kutusunda cinsiyet.
Seçili öğe bir tablo veya sütun olduğunu belirtmek için metin kutusu değişiklikleri sol tarafındaki simge.
' I işleç metin kutusu ve listeden eşittir (=) işlecini seçin.
' I değeri metin kutusu ve türü m.
Kılavuzdaki sonraki satırı tıklatın.
' I Tamam modeli filtreyi kapatmak için.
Filtreyi görüntüler Özellikler pencere.Alternatif olarak, Başlat Modeli filtre iletişim kutusundan Özellikler pencere.
Yukarıdaki adımlar, ancak bunu yineleyin saat modeli ad TM_Decision_Tree_Female ve F'de yazın değeri metin kutusu.
Şimdi görüntülenen iki yeni modeli olan Mining modeller sekmesi.
Filtre uygulanmış modelleri işlemek
Modeller, dağıtılan ve işlenen sahip kadar kullanılamaz.İşlem modelleri hakkında daha fazla bilgi için bkz: Modeller hedeflenmiş posta yapısı (temel veri madenciliği Öğreticisi) işleme.
Filtre uygulanmış modeli
Sağ TM_Decision_Tree_Male model ve seçin işlem Mining yapısı ve tüm modelis
' I çalıştırmak yeni modelleri işlemek için.
İşlem tamamlandıktan sonra [NULL]'ı Kapat her iki işleme Windows...
Sonuçları değerlendirmek
Görünüm sonuçlar ve üç önceki modellerde olduğu gibi aynı şekilde, filtre uygulanmış modelleri doğruluğunu değerlendirin.Daha fazla bilgi için, bkz:
Karar ağacı modeli (temel veri madenciliği Öğreticisi) keşfetme
Lift grafik (temel veri madenciliği Öğreticisi) doğrulukla sınama
Filtre uygulanmış modelleri incelemek için
Seçin Mining modeli Görüntüleyicisi sekmesinde Veri Mining Tasarımcısı.
Mining modeli kutusunda TM_Decision_Tree_Male.
Slayt düzeyi Göster için 3.
Değişiklik arka değeri 1.
Bir yerde kendi imleç etiketli düğüm üzerinden tüm olmayan bisiklet alıcıların karşı bisiklet alıcıların sayısını görmek için.
1-5 Arasındaki adımları yineleyin TM_Decision_Tree_Female.
Keşfetmek için sonuçlar TM_Decision_Tree modelleri için cinsiyet süzülmüştür.Karşılaştırıldığında tüm bisiklet alıcıların için erkek ve kadın bisiklet alıcıların bazı filtre uygulanmamış bisiklet alıcıların aynı özellikleri taşıyıp paylaşma ancak üç ilginç farklılıklar vardır.Bu yararlı bilgiler, Adventure Works Cycles kullanarak geliştirme pazarlama kendi kampanya.
Filtre uygulanmış modellerin lift sınamak için
Geçiş Mining doğruluğu grafik sekmesinde veri Mining tasarımcısında Business Intelligence Development Studio ve Giriş seçimi sekmesi.
De doğruluk grafik için kullanılacak veri küme Seç grup kutusunda seçin Use araştırma yapısı test durumlarda.
Üzerinde Giriş seçimi veri madenciliği Tasarımcı sekmesinin altında öngörülebilir araştırma modeli sütunları göstermek için seçin yükseltme grafiği, onay kutusunu seçin Tahmin sütunlar eşitlemek ve değerler.
De Öngörülebilir sütun adı sütunu, emin olun Bisiklet alıcı her model için seçilir.
De Show sütun, her modeli seçin.
De Değeri tahmin sütun seçme 1.
Seçin Dokundurduğunuzda grafik yükseltme grafiği görüntülemek için sekme.
Şimdi tüm üç karar ağacı modelleri rasgele tahmin modeli yanı Kümeleme ve Naive Bayes modelleri outperforming önemli lift sağlamak olduğunu fark edeceksiniz.
Ayrıca bkz.