Logistic regresyon modeli sorgulama (- Analysis Services veri madenciliği)

Veri madenciliği şema satır kümesi sorgulayarak, ne zaman oluşturulduğunu, ne zaman modeli son işlendiği, modelin temel araştırma yapısı adını ve öngörülebilir bir öznitelik olarak kullanılan sütun adı gibi modeli hakkında meta veriler bulabilirsiniz.Aşağıdaki örnek modeli ilk, adını ve türünü modeli ile birlikte oluşturulan kullanılmış olan parametreler ve oluşturulma tarih verir.

SELECT MODEL_NAME, SERVICE_NAME, DATE_CREATED, MINING_PARAMETERS 
FROM $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'Call Center_LR'

Örnek sonuçlar:

Başa dön

Logistic regresyon modeli hakkında bazı temel bilgileri aşağıdaki sorgu döndürür.Logistic regresyon modeli bir neural ağ modeli Marjinal istatistikleri düğüm varlığını da dahil olmak üzere pek çok yolla benzer (node_type = 24) girdi kullanılan değerleri açıklar.Bu örnek sorgu hedeflenen posta modeli kullanır ve tüm girişleri değerlerini yuvalanmış alarak onları alır tablo, NODE_DISTRIBUTION.

SELECT FLATTENED NODE_DISTRIBUTION AS t
FROM [TM_Logistic Regression].CONTENT 

Kısmi sonuçlar:

Gerçek sorgu çok fazla satır döndürür; Ancak, bu örnek, sağlanan girdileri hakkında bilgi türünü göstermektedir.Ayrı girişleri için olası her değerin listelenen tablo.Sürekli değeri için girdi gibi Age, tam bir liste imkansız olacak discretized giriş olarak ortalama.Marjinal istatistikleri düğüm bilgileri kullanma hakkında daha fazla bilgi için bkz: Logistic regresyon modeller için içerik modeli mining (Analysis Services - veri madenciliği).

Başa dön

Logistic regresyon sürekli öznitelikler için iki giriş destekler çünkü ve tahmin, verilerinizdeki çeşitli faktörler ilişkilendirmek modeller oluşturmak kolay bir işlemdir.Bu etkenler arasında ilişki keşfetmek için tahmin sorguları kullanabilirsiniz.

Aşağıdaki sorgu örneği çağrı merkezinin modelinden, deneyimli eğitmen dayanır ve am Cuma üst karakter için hizmet notu öngörür bir singleton sorgu oluşturur.The PredictHistogram (DMX) function returns a nested table that provides statistics relevant to understanding the validity of the predicted value.

SELECT
  Predict([Call Center_LR].[Service Grade]) as Predicted ServiceGrade,
  PredictHistogram([Call Center_LR].[Service Grade]) as [Results],
FROM
  [Call Center_LR]
NATURAL PREDICTION JOIN
(SELECT 'Friday' AS [Day Of Week],
  'AM' AS [Shift]) AS t

Örnek sonuçlar:

İç içe geçmiş NODE_DISTRIBUTION olasılığı, destek ve standart sapma değerleri hakkında daha fazla bilgi için tablo, bkz: Logistic regresyon modeller için içerik modeli mining (Analysis Services - veri madenciliği).

Başa dön

Logistic regresyon, genellikle ikili bir sonuç için katkıda bulunan faktörler analiz etmek istediğiniz senaryolarda kullanılır.Öğreticide kullanılan modeli öngörür ServiceGrade, sürekli bir değer rağmen gerçek yaşamdan senaryoda, isteyebilirsiniz küme hedef değer modelini hizmet notu bazı karşılanmış olup olmadığını tahmin etmek discretized.Alternatif olarak, sürekli bir değer kullanarak Öngörüler çıktı ancak daha sonra iyi, serginin ya da kötü tahmin edilen sonuçlar grup.

Aşağıdaki örnek, öngörülebilir öznitelik gruplandırılır şeklini değiştirmek verilmektedir.Bunu yapmak için bir kopyasını oluşturmak araştırma yapısı ve hedef sütun discretization yöntemi değerlerin gruplandırılmış yerine sürekli olacak şekilde değiştirin.

Aşağıdaki yordam nasıl değiştirileceği açıklanır gruplandırma , Service Grade değer çağrı merkezi veri.

Çağrı merkezi araştırma yapısı ve modelleri discretized sürüm oluşturmak için

Aşağıdaki örnek sorgu, bu discretized modelini temel alır ve öngörülen her sonuç için olasılık değerleriyle birlikte haftanın belirtilen gün için hizmet notu öngörür.

SELECT
  (PredictHistogram([Call Center_LR 1].[Service Grade])) as [Predictions]
FROM
  [Call Center_LR 1]
NATURAL PREDICTION JOIN
(SELECT 'Saturday' AS [Day Of Week]) AS t  

Beklenen sonuçlar:

Tahmin edilen sonuçlar belirtildiği gibi üç kategoride gruplandırılmış dikkat edin; Ancak, bu gruplandırmalar gerekebilir değil rasgele değerleri veri içinde gerçek değerlerin üzerinde tabanlı kümeleme küme iş hedefleri olarak.

Başa dön