araştırma modeli Içerik (Analysis Services - veri madenciliği)

Aşağıdaki tablo, veri madenciliği modelleri çıkışı olan farklı türde listeler.Her model, her algoritma bilgileri farklı işler için yalnızca birkaç belirli tür düðümleri oluşturur.Algoritma değiştirirseniz, düğüm türünü değiştirebilirsiniz.Ayrıca, model reprocess, her düğümün içeriğini değiştirebilir.

Kök düğümü tüm modelinin benzersiz kimliği her zaman vardır ( NODE_UNIQUE_NAME ) 0. Tüm düğüm kimliği, Analysis Services tarafından otomatik olarak atanır ve değiştirilemez.

Her model için kök düğüm modeli hakkında temel bazı meta veriler de içerir.Model depolandığı bir Analysis Services veritabanı bu meta veriler içerir ( MODEL_CATALOG ), şema ( MODEL_SCHEMA) ve modeli adını ( MODEL_NAME) . Ancak bu meta veriler almak için kök düğümü sorgulamak gerekmez; böylece bu bilgileri modelinin, tüm düğümler yinelenir.

Benzersiz tanımlayıcı olarak kullanılan ad ek olarak, her düğümün sahip biradı (NODE_NAME).Bu ad görüntüleme amaçları için kullanılan bir algoritma tarafından otomatik olarak oluşturulur ve düzenlenemez.

The caption and description for each node are automatically generated by the algorithm, and serve as labels to help you understand the content of the node.Her alan için oluşturulan metin modeli türüne bağlıdır.Bazı durumlarda, tam olarak aynı dizeyi adını, başlığını ve açıklamasını içerebilir, ancak bazı modeller, açıklama ek bilgiler içerebilir.Uygulama ayrıntıları için tek tek model türü hakkında konusuna bakın.

Ağaç yapısında, üst ve alt düğümler arasındaki ilişkiyi PARENT_UNIQUE_NAME sütun değerine göre belirlenir.Bu değer, alt düğümü depolanır ve ana düğüm kimliği bildirir.Bazı örnekler nasıl bu bilgi kullanılabilir birini izleyin:

• null olan bir PARENT_UNIQUE_NAME anlamına gelir düğüm; yani üst düğüm modeli.

• PARENT_UNIQUE_NAME değeri 0 ise, üst düğüm modelinde, doğrudan bir alt düğüm olması gerekir.Kök düğüm kimliği her zaman olur çünkü 0.

• Alt öğelerin veya belirli bir düğümün üst bulmak için veri madenciliği Uzantıları (DMX) sorgu içinde işlevleri kullanabilirsiniz.Sorgularda, işlevleri kullanma hakkında daha fazla bilgi için bkz:Veri madenciliği modelleri sorgulama (Analysis Services - veri madenciliği).

Önem düzeyi numarayı öğelerinin bir kümesini. gösterir İşlenen çıkarma model bağlamında, önem, çocukların sayısı belirli bir düğüme bildirir.Örneğin, bir karar ağacı modeli [için yıllık gelir] düğüm varsa ve bu düğüm iki alt düğümü [yıllık gelir] koşul için bir yüksek ve bir koşulu, [yıllık gelir] = 2 [yıllık gelir] düğüm olur için düşük, CHILDREN_CARDINALITY değeri =.

Tüm modeller için aynı şekilde önem sayılır, ancak nasıl yorumlanacağı veya önem değeri modeli türüne bağlı olarak farklılık gösterir.Örneğin, küme modelinde, üst düğüm, önem, bulunan küme sayısı bildirir.Diğer tür modelleri önem düğüm tipine göre küme değer her zaman olabilir.Önem yorumlama hakkında daha fazla bilgi için tek tek model türüyle ilgili konuya bakın.

NODE_DISTRIBUTION sütun, birçok düğümlerin algoritması tarafından belirlenen desen önemli ve ayrıntılı bilgi sağlayan bir iç içe tablo içerir.Bu konuda sağlanan tam istatistik tablo modeli türünü konumunu düğüm ağacında bağlı olarak değişir ve olup predic tablo özniteliğidir sürekli sayısal bir değer veya farklı bir değer; ancak, minimum ve maksimum değerleri, öznitelik değerleri, bir düğüm durumlarda regresyon formül ve standart sapma ve Varyans gibi istatistiksel ölçüleri kullanılan katsayıları sayısı atanan ağırlık içerebilir.Düğüm dağıtım yorumlama hakkında daha fazla bilgi için çalıştığınız model türü türünü için bölüme bakın.

İç içe geçmiş tablo, NODE_DISTRIBUTION, her zaman aşağıdaki sütunları içerir.Her sütunun içeriğini modeli türüne bağlı olarak değişir.Belirli bir modeli türleri hakkında daha fazla bilgi için bkz:Algoritma türüne göre içerik modeli çıkarma.

• ÖZNİTELİK_ADÝ
  Algoritması tarafından içeriği değişir.Algoritma, bir formülün bir bölümü gibi iç öngörülebilir öznitelik, bir kural, bir itemset ya da bir bilgiyi bir sütun adı olabilir.

  Bu sütun, bir öznitelik-değer çifti de içerebilir.

• ATTRIBUTE_VALUE
  ATTRIBUTE_NAME adlı özniteliği değeri.

  Öznitelik adı sütunu, sonra en basit durumda, the ATTRIBUTE_VALUE o sütun için ayrı değerlerden birini içerir.

  Nasıl algoritma değerleri işleme bağlı olarak, the ATTRIBUTE_VALUE de öznitelik için bir değer olup bildiren bir bayrak içerebilir ( Existing), veya değer null olup ( Missing).

  Örneğin, model ayarlandığından müşteriler kimin satın en az bir kez, belirli bir öğe bulmak için ATTRIBUTE_NAME sütun içeren, tanımlar faiz maddenin gibi öznitelik-değer çiftiModel = 'Water bottle', ATTRIBUTE_VALUE sütun yalnızca anahtar sözcük içerir veExistingorMissing.

• Destek
  Bu öznitelik-değer çifti olan ya da içeren bu itemset veya servis talebi sayısı kural.

  Genel olarak, her düğüm için destek değeri, ne kadar eğitim küme durumlarda geçerli düğümün içerdiği açıklanır.Birçok model türü desteği tam bir servis talebi sayısını gösterir.Destek değerleri, veri dağıtım eğitim verileri sorgulamak gerekmeden eğitim taleplerinizi içinde görüntüleyebilirsiniz sağladığından kullanışlıdır.Analysis Services sunucusuna kesmesi güçlü veya zayıf olup olmadığını belirlemek için önceki olasılık, ve saklı olasılığını hesaplamak için de bu depolanan değerleri kullanır.

  Örneğin, bir sınıflandırma ağacında destek değerini gösterir açıklanan birleşimi olan servis taleplerinin sayısı öznitelikleri.

  Karar ağacında bir ağacın her düzey destek toplamı, üst düğümün desteklemek için toplar.Örneğin, modeli içeren, 1200 durumlarda cinsiyet tarafından eşit olarak bölünen ve daha sonra aynı üç değerleri gelir için alt; düşük, orta ve yüksek — düğümleri (4) (5), alt düğümler düğüm (2) ve (6) (2) düğüm aynı sayıda servis talebi için her zaman toplamak,.

  Düğüm kimliği ve düğüm öznitelikleri	Destek sayısı
  (1) Modeli kök	1200
  (2) Cinsiyet erkek = (3) Cinsiyetin Female =	600 600
  (4) Cinsiyet erkek ve gelir = yüksek = (5) Cinsiyet erkek ve gelir = Orta = (6) Cinsiyet erkek ve gelir = düşük =	200 200 200
  (7) Cinsiyetin Female ve gelir = yüksek = (8) Cinsiyetin Female ve gelir = Orta = (9) Cinsiyetin Female ve gelir = düşük =	200 200 200

  Birden çok kümeye ait olan değerler eklemek için bir küme modeli için destek numarasını ağırlıklı.Birden çok küme üyeliği yöntem kümeleme varsayılandır.Bu senaryoda, çünkü her durum değil mutlaka ait yalnızca bir kümeye desteği Bu modellerden en fazla yüzde 100'e tüm kümeleri arasında eklemek.

• OLASILIK
  Bu belirli bir düğümün tüm modelindeki olasılığını gösterir.

  Genel olarak, olasılık durumda düğümü (NODE_SUPPORT) içinde toplam sayısı bölü bu belirli değer desteğini gösterir.

  Bununla birlikte, olasılık düzeltilir biraz sapma değerleri eksik veri. neden ortadan kaldırmak için

  Örneğin, toplam [alt] için geçerli değerler 'Bir' ve 'İki' ise, hiçbir alt ya da üç alt olanaksız olduğu tahmin modeli oluşturmaktan kaçının isteyebilirsiniz.Eksik değerler improbable, ancak imkansız değil, algoritma her zaman 1 gerçek değerleri sayısı için tüm ekler emin olmak için öznitelik.

  örnek::

  Olasılığını [toplam alt bir =] = [durumda yeri sayısı toplam çocuklar bir =] + 1 / [saymak her zaman] + 3

  Olasılığını [toplam çocuklar iki =] = [durumda yeri sayısı toplam çocuklar iki =] + 1 / [saymak her zaman] + 3 arası

  Not

  3 Düzeltilmesi, varolan değerler, toplam sayısı 1 eklenerek hesaplanırn.

  Düzeltmeden sonra tüm değerleri için olasılıklar hala en çok 1 ekleyin.Olasılık değeri veri içermeyen (Bu örnekte, [alt toplam 'Sıfır', '3' veya başka bir değer =]), çok düşük bir düzeyde sıfırdan başlar ve daha fazla zaman eklenen yavaşça artar.

• FARKI
  Düğümü içindeki değerlerin farkını gösterir.Tanım olarak, fark, her zaman ayrı değerleri için 0 olur.Farkı hesaplanır, sürekli değer modelini destekleyen olarakσ (sigma), düğümü. kullanarak payda n veya servis talebi sayısı

  Genel kullanımda standart göstermek için iki tanım vardır ( StDev).Standart sapmayı hesaplamak için bir yöntem hesap sapma alır ve başka bir yöntem sapma kullanmadan standart sapmayı hesaplar.Genel olarak, Microsoft Office 2010 Suite veri madenciliği algoritmaları sapma standart hesaplarken kullanmayın.

  NODE_DISTRIBUTION tablosunda görüntülenen tüm ayrı ve discretized öznitelikleri için gerçek değer ve sürekli değerler için ortalama değerdir.

• VALUE_TYPE
  Veri türü değeri veya öznitelik ve değer kullanımını gösterir.Belirli değer türleri yalnızca belirli model türleri için geçerlidir:

  VALUE_TYPE KİMLİĞİ	Değer etiketi	Değer türü adı
  1	MISSING:	durum verilerini bu öznitelik için bir değer içermiyor gösterir.The Missing state is calculated separately from attributes that have values.
  2	Varolan	Büyük veri değeri bu içerdiğini gösterir öznitelik.
  3	Sürekli	Belirten değeri öznitelik sürekli sayısal değer ve bu nedenle sapma ve standart sapma ile birlikte bir ortalaması olarak gösterilebilir.
  4	Kesikli	Bir değeri gösterir sayısal veya metin, ayrı olarak kabul edilir. NotFarklı değerler de eksik olabilir; ancak bunlar farklı yaparken hesaplamaları. işlenir Bilgi için bkz:Değerleri eksik (Analysis Services - veri madenciliği).
  5	Discretized	Öznitelik discretized sayısal değerler içerdiğini gösterir.Discretization demetleri biçimlendirilmiş bir dize değeri olacaktır.
  6	Varolan	Indicates that the attribute has continuous numeric values and that values have been supplied in the data, vs.values that are missing or inferred.
  7	Katsayısı	Gösterir bir sayısal değer, temsil eden bir katsayısı. Bir katsayısı bağımlı değişkenin değerini hesaplamak için uygulandığında bir değerdir.Örneğin, model, yaş gelir dayanarak tahmin eder regresyon formül oluşturursa, yaş, gelir için ilgili formül katsayısı kullanılır.
  8	Puan kazanç	Bir öznitelik için puan kazanç gösteren sayısal bir değeri gösterir.
  9	Statistics:	Bir regresör için bir istatistik gösteren sayısal bir değeri gösterir.
  10	Düğüm benzersiz adı	Değer sayısal veya dize olarak değil, ancak bir model başka bir içerik düğümü benzersiz tanımlayıcısı olarak işleneceğini yok olduğunu gösterir. Örneğin, neural ağ modelinde, kimliklerini gizli katmanda düğümler çıkış katmana düğümler ve düğümlere giriş katmanın gizli katmanda düğümler işaretçilerini.
  11	Kesme noktası	Kesme noktası regresyon formülde gösteren sayısal bir değeri gösterir.
  12	Periodicity	Değer modeli. düzenli bir yapı gösterir gösterir Yalnızca bir ARIMA modeli içeren saat serisi modelleri için geçerlidir. Note: Microsoft Office 2010 Suite saat serisi algoritması, eğitim verilerini temel alan Periyodik yapıları otomatik olarak algılar.Sonuç olarak, son model periodicities model oluştururken bir parametre olarak sağlamadı periodicity değerleri içerebilir.
  13	Autoregressive sırası	Değer autoregressive seri numarasını temsil ettiğini gösterir. ARIMA algoritmasını kullanmak saat serisi modelleri için geçerlidir.
  14	Ortalama sipariş taşıma	Bir dizideki hareketli Ortalamalar sayısını gösteren bir değeri temsil eder. ARIMA algoritmasını kullanmak saat serisi modelleri için geçerlidir.
  15	Fark sipariş	Değerini gösteren bir dizinin kaç kez belirten bir değer tanır olduğunu gösterir. ARIMA algoritmasını kullanmak saat serisi modelleri için geçerlidir.
  16	Boole	Bir Boole türü gösterir.
  17	Diğer	Algoritması tarafından tanımlanan özel bir değeri temsil eder.
  18	Prerendered dize	Bir dize olarak algoritma işleyen özel bir değeri temsil eder.Nesne modeli tarafından herhangi bir biçimlendirme uygulandığı.

  Değer türleri ADMOMD.NET numaralandırma türetilir.Daha fazla bilgi için bkz:MiningValueType.

Düğüm puan ne anlama geldiğini modeli türüne bağlı olarak değişir ve düğümün türüne de olabilir.Hakkında bilgi için NODE_SCORE hesaplanan her model ve düğüm türü için bkz:araştırma modeli İçeriği algoritma türü.

Çıkarma modeli şema satır kümesi model türleri NODE_PROBABILITY ve MARGINAL_PROBABILITY sütunlarını içerir.Bu sütun, bir olasılık değeri anlamlı olduğu düğümlerin değerlerini içerir.Örneğin, modelin kök düğümü hiçbir zaman bir olasılık puan içerir.

Bu düğümlerin sağlayan olasılık puanlar, Marjinal olasılıklar ve düğüm olasılık temsil hesaplamaları.

• Marjinal olasılık , üst. düğümden ulaşma olasılığı olan

• Düğüm olasılık kök. düğümden ulaşma olasılığı olan

• Düğüm olasılık ise her zaman küçük Marjinal olasılık .

Örneğin, karar ağacındaki tüm müşterilerin nüfusun cinsiyet tarafından eşit olarak ayrılır (ve hiçbir değer yok), alt düğümlerin olasılığı 0 olmalıdır.Ancak her cinsiyet için düğümü gelir düzeylerine göre eşit şekilde bölünür varsayalım — yüksek, orta ve düşük.Bu durumda her bir alt düğümü MARGINAL_PROBABILITY Skoru.33 her zaman olmalıdır ancak NODE_PROBABILTY değeri bu düğüme önde gelen tüm değerler ürün olması ve bu nedenle her zaman MARGINAL_PROBABILITY'den küçük değer.

Çıkarma modeli şema satır kümesi model türleri NODE_RULE ve MARGINAL_RULE sütunlarını da içerir.Bu sütunlar, bir model seri hale getirmek için veya bazı bölümleri modeli yapısını göstermek için kullanılan XML parçalarını içerir.Bu sütun değeri anlamsız olacaktır, bazı düğümler için boş olabilir.

İki tür XML kuralları belirtilmezse, olasılık değerleri iki tür benzer.XML parçası olarak NODE_RULE yol geçerli düğümün modeli kökünden açıklar, ancak XML parçası MARGINAL_RULE, öznitelik ve değer geçerli düðümün tanımlar.

Başa Dön