Neural ağ modeli (Analysis Services-CVE-2006-veri madenciliği) sorgulanıyor.
Bir veri araştırma modeli yönelik bir sorgu oluşturduğunuzda, analizinde bulunan desenler hakkında bilgi sağlayan bir içerik sorgu veya desenleri, yeni veri için Öngörüler yapmak modelde kullanan tahmin sorgu oluşturabilirsiniz.Örneğin, içerik sorgu neural ağ modeli modeli meta veriler gizli katmanların sayısı gibi almak.Alternatif olarak, bir tahmin girdi temel alan sınıflandırmalar önermek ve isteğe bağlı olarak her sınıflandırma için değerler girin.
Dayalı modeller için sorgular oluşturmak için bu bölümde açıklanmaktadırMicrosoftNeural Network algoritması.
İçerik sorgu
DMX kullanarak modeli meta veriler alma
Tahmin sorgular
Singleton tahmin oluşturma
Neural ağ modeli hakkında bilgi bulma
Tüm araştırma modeli s göstermek için standart bir şemaya göre algoritması tarafından öğrenilen içeriği araştırma modeli şema kümesi.Model bilgileriİçerik modeli hakkında ayrıntılar sunar ve temel meta veriler, çözümleme ve parametreler bulunan yapıları içerir, kullanılan işlem.veri madenciliği uzantısı (DMX) ifadeleri kullanarak, içerik modeli sorgular oluşturabilirsiniz.
Başa dön
Örnek sorgu 1: DMX kullanarak modeli meta veriler alma
Kullanılarak oluşturulan bir modeli ile ilgili temel bazı meta veriler aşağıdaki sorgu verirMicrosoftNeural Network algoritması.Neural ağ modelinde, modelin ana düğüm yalnızca adı, model, modeli depolandığı veritabanının adını ve alt düğümlerin sayısını içerir.Ancak, Marjinal İstatistikler düğümünü (NODE_TYPE = 24) bu temel meta veriler hem de modelde kullanılan giriş sütunları hakkında türetilen bazı İstatistikler sağlar.
Aşağıdaki örnek sorgu içinde oluşturduğunuz çıkarma modelini temel alanOrta veri madenciliği Eğitmeni, named Call Center Default NN.Modeli, personel yönetimi ve çağrı, sipariş ve sorunları arasındaki olası korelasyon keşfetmek için bir çağrı merkezinden verileri kullanır.DMX deyim neural ağ modeli Marjinal istatistikleri düğümden verileri alır.Vade farkı, istatistik, NODE_DISTRIBUTION gibi iç içe geçmiş bir tablo içinde depolandığından sorgu FLATTENED anahtar sözcüğünü içerir.Ancak, sorgu sağlayıcınız hiyerarşik Satır kümeleri destekliyorsa FLATTENED anahtar sözcüğünü kullanmak gerekmez.
SELECT FLATTENED MODEL_CATALOG, MODEL_NAME,
( SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE,
[SUPPORT], [PROBABILITY], VALUETYPE
FROM NODE_DISTRIBUTION
) AS t
FROM [Call Center Default NN].CONTENT
WHERE NODE_TYPE = 24
Not
İç içe geçmiş tablo sütun adını almanız gerekir[SUPPORT]ve[PROBABILITY]bunları aynı adı. ayrılmış anahtar sözcükleri ayırmak için ayraç
Örnek sonuçlar:
MODEL_CATALOG |
MODEL_ADI |
t.ATTRIBUTE_NAME |
t.ATTRIBUTE_VALUE |
t.SUPPORT |
t.PROBABILITY |
t.VALUETYPE |
---|---|---|---|---|---|---|
AdventureWorksDW 2008 |
Çağrı merkezi NN |
Çıkış başına ortalama saat |
MISSING: |
0 |
0 |
1 |
AdventureWorksDW 2008 |
Çağrı merkezi NN |
Çıkış başına ortalama saat |
< 64.7094100096 |
11 |
0.407407407 |
5 |
Bir tanımı hangi sütun için şema satır kümesi neural ağ modeli kapsamında ortalama için bkz:Model içerik Neural ağ modeller için mining (Analysis Services - veri madenciliği).
Başa dön
Örnek sorgu 2: Şema satır kümesi tarafından modeli meta veriler alma
Veri madenciliği şema satır kümesi kümesi sorgulayarak DMX içerik sorguda döndürülen aynı bilgileri bulabilirsiniz.Ancak bazı ek sütunlar şema kümesi sağlar.Aşağıdaki örnek sorgu modelin oluşturulduğu tarih, değiştirildiği tarih ve model son işlendiği tarihi verir.Sorgu, model içeriğini kolayca kullanılabilir değil, tahmin edilebilir sütun ve model oluşturmak için kullanılan parametreler de verir.Bu bilgiler, model belgelenmesi için yararlı olabilir.
SELECT MODEL_NAME, DATE_CREATED, LAST_PROCESSED, PREDICTION_ENTITY, MINING_PARAMETERS
from $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'Call Center Default NN'
Örnek sonuçlar:
MODEL_ADI |
Çağrı Merkezi varsayılan NN |
DATE_CREATED |
1/10/2008 5: 07: 38 PM |
LAST_PROCESSED |
1/10/2008 5: 24: 02 PM |
PREDICTION_ENTITY |
Ortalama saat / sayı Notu Of hizmet, Siparişleri sayısı |
MINING_PARAMETERS |
HOLDOUT_PERCENTAGE = 30, HOLDOUT_SEED = 0, MAXIMUM_INPUT_ATTRIBUTES = 255, MAXIMUM_OUTPUT_ATTRIBUTES = 255, MAXIMUM_STATES = 100, SAMPLE_SIZE = 10000, HIDDEN_NODE_RATIO = 4 |
Başa dön
Örnek sorgu 3: Modeli giriş özniteliklerini alma
Alt düğümlerin sorgulayarak model oluşturmak için kullanılan girdi öznitelik-değer çifti alabilir (NODE_TYPE = 20) giriş katmanın (NODE_TYPE = 18).Aşağıdaki sorgu düğümü açıklamaları giriş özniteliklerin listesini verir.
SELECT NODE_DESCRIPTION
FROM [Call Center Default NN].CONTENT
WHERE NODE_TYPE = 2
Örnek sonuçlar:
NODE_DESCRIPTION |
---|
Sayı / saat ortalama 64.7094100096 - 77.4002099712 = |
Günlük hafta Of Cum =. |
Düzey 1 işleçleri |
Yalnızca birkaç temsilcisi satırları sonuçlar burada gösterilir.NODE_DESCRIPTION giriş veri türüne bağlı olarak biraz farklı bilgiler sağlar ancak, gördüğünüz öznitelik.
Öznitelik bağımsız veya discretized değeri ise NODE_DESCRIPTION içeren ya da öznitelik değerini, ya da öznitelik ve, discretized aralık.
Öznitelik sürekli sayısal veri türü ise, the NODE_DESCRIPTION öznitelik adını içerir.Ancak, ortalamasını almak için iç içe geçmiş NODE_DISTRIBUTION tablo alabilirsiniz veya sayısal aralık minimum ve maksimum değerleri elde etmek için NODE_RULE alabilirsiniz.
İç içe NODE_DISTRIBUTION sorgulamak için aşağıdaki sorguyu gösterir tablo özniteliklerini bir sütun ve başka bir sütundaki değerleri döndürmek için.Not sürekli öznitelikler için öznitelik değeri, ortalama gösterilir.
SELECT FLATTENED
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE
FROM NODE_DISTRIBUTION) as t
FROM [Call Center Default NN -- Predict Service and Orders].CONTENT
WHERE NODE_TYPE = 21
Örnek sonuçlar:
t.ATTRIBUTE_NAME |
t.ATTRIBUTE_VALUE |
---|---|
Çıkış başına ortalama saat |
64.7094100096 - 77.4002099712 |
Of hafta günü |
Cum. |
Düzey 1 işleçleri |
3.2962962962963 |
Minimum ve maksimum aralık değerleri NODE_RULE depolanan sütun ve bir XML parçası, aşağıdaki örnekte gösterildiği gibi gösterilir:
<NormContinuous field="Level 1 Operators">
<LinearNorm orig="2.83967303681711" norm="-1" />
<LinearNorm orig="3.75291955577548" norm="1" />
</NormContinuous>
Başa dön
Örnek sorgu 4: Gizli Katman ' dan alma ağırlıkları
Neural ağ modeli modeli içeriği, herhangi bir düğüm ağ ile ilgili ayrıntıları almak kolaylaştıran bir şekilde yapılandırılmıştır.Ayrıca, kimlik numaraları düğüm düğüm türü arasındaki ilişkiyi belirlemenize yardımcı olur bilgileri içerir.
Aşağıdaki sorgu gizli katmanın belirli bir düğümü altında saklanan katsayıları alma gösterilmiştir.Gizli katmanda bir düzenleyici düğümünden oluşur (NODE_TYPE = 19), yalnızca meta veriler ve birden fazla alt düğümler içeren (NODE_TYPE = 22), öznitelikleri ve değerleri, çeşitli birleşimleri için katsayıları içerir.Bu sorgu yalnızca katsayısı düğümleri döndürür.
SELECT FLATTENED TOP 1 NODE_UNIQUE_NAME,
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE, VALUETYPE
FROM NODE_DISTRIBUTION) as t
FROM [Call Center Default NN -- Predict Service and Orders].CONTENT
WHERE NODE_TYPE = 22
AND [PARENT_UNIQUE_NAME] = '40000000200000000' FROM [Call Center Default NN].CONTENT
Örnek sonuçlar:
NODE_UNIQUE_NAME |
t.ATTRIBUTE_NAME |
t.ATTRIBUTE_VALUE |
t.VALUETYPE |
---|---|---|---|
70000000200000000 |
6000000000000000a |
-0.178616518 |
7 |
70000000200000000 |
6000000000000000b |
-0.267561918 |
7 |
70000000200000000 |
6000000000000000c |
0.11069497 |
7 |
70000000200000000 |
6000000000000000d |
0.123757712 |
7 |
70000000200000000 |
6000000000000000e |
0.294565343 |
7 |
70000000200000000 |
6000000000000000f |
0.22245318 |
7 |
70000000200000000 |
|
0.188805045 |
7 |
Kısmi sonuçlar burada göstermek nasıl neural ağ modeli içeriği ilgili gizli düğüm giriş düğüm.
Gizli katmandaki düğümlerin benzersiz adlar, her zaman 70000000 ile başlar.
Giriş katmandaki düğümlerin benzersiz adlar, her zaman 60000000 ile başlar.
Bu nedenle, bu sonuçlar, kimliği 70000000200000000 tarafından belirtilen düğüm altı farklı katsayıları sahip olmadığını (VALUETYPE = 7) kendisine geçirilen.In katsayıları ATTRIBUTE_VALUE değerler sütun.Tam olarak, öznitelik ATTRIBUTE_NAME sütununda düğüm kimliği kullanarak katsayısı içindir giriş belirleyebilirsiniz.
Örneğin, düğüm kimliği 6000000000000000a başvurduğu giriş niteliği ve değeriDay of Week = 'Tue.' Düğüm kimliği, bir sorgu oluşturmak için kullanabileceğiniz veya düğümün kullanarak gözMicrosoft Office 2010 Suite genel içerik ağacı Görüntüleyicisi.
Benzer şekilde, düğümler çıkış katmanda NODE_DISTRIBUTION tablosunu sorgulamak, (NODE_TYPE = 23), her değer çıktı için katsayıları görebilirsiniz.Ancak, çıkış katmanda işaretçileri gizli katmanda düğümlerine yeniden bakın.Daha fazla bilgi için bkz:Model içerik Neural ağ modeller için mining (Analysis Services - veri madenciliği).
Başa dön
Öngörüler Neural bir ağ modeli kullanarak oluşturma
The Microsoft Neural Network algorithm supports both classification and regression.Yeni veri ve tek veya toplu iş önerileri oluşturmak için bu modeli ile tahmin işlevlerini kullanabilirsiniz.
Örnek sorgu 5: Bir Singleton tahmin oluşturma
Üzerinde tahmin Query Builder'ı kullanmak için bir neural ağ modeli bir tahmin sorgusu oluşturmak için en kolay yolu olanÇıkarma tahmin Her iki SQL Server Management Studiove sekmesinde veri madenciliği Designer'ın Business Intelligence Development Studio., Modelde gözMicrosoftFiltre eğilimlerine ilgi alanlarına yönelik ve görünüm niteliklerini ve ardından geçiş neural Network GörüntüleyicisiÇıkarma tahmin bir sorgu oluşturun ve bu eğilimleri. yeni değerleri tahmin etmek için sekmesi
Örneğin, sipariş birimleri ve diğer özellikleri arasında korelasyon görüntülemek için çağrı merkezi modeli göz atabilirsiniz.Bunu yapmak için model olarak, Görüntüleyici ve açınGiriş, select <All>.Sonraki içinÇıkış, seçme Numarası, sipariş . İçin1 Değeri, çoğu siparişleri gösteren aralık seçin ve için değer 2 , en az sipariş. gösteren aralık seçin. Daha sonra model sipariş birimi ile karşılıklı olarak ilişkilendirir tüm özellikleri bir bakışta görebilirsiniz.
Görüntüleyiciyi sonuçlar göz atarak, haftanın belirli günleri alt sıra birimleri olduğunu ve işleç sayısı artış daha yüksek satış ile ilişkili görünüyor bulabilirsiniz.Sonra "ne olur" varsayımını sınamak ve düzey 2 işleçleri bir düşük hacimli günü artırıldığında siparişlerini artırmak, sorun model üzerinde tahmin sorgu kullanabilirsiniz.Bunu yapmak için aşağıdaki gibi bir sorgu oluşturun:
SELECT Predict([Call Center Default NN].[Number of Orders]) AS [Predicted Orders],
PredictProbability([Call Center Default NN].[Number of Orders]) AS [Probability]
FROM [Call Center Default NN]
NATURAL PREDICTION JOIN
(SELECT 'Tue.' AS [Day of Week]
13 AS [Level 2 Operators] AS t
Örnek sonuçlar:
Tahmin edilen siparişler |
Olasılık |
---|---|
364 |
0.9532… |
Salı günü için öngörülen satış hacmi satış geçerli aralık yüksek olduğu ve tahmin olasılığı çok yüksektir.Ancak, birden çok Öngörüler hypotheses model üzerinde çeşitli test etmek için toplu iş iş işlemi kullanarak oluşturmak isteyebilirsiniz.
Not
veri madenciliği eklentiler Excel 2007 sağlar hizmet notu belirli bir vardiya için bir hedef düzeyi artırmak için kaç düzey 2 Operators gibi karmaşık soruları yanıtlamak kolayca logistic regresyon Sihirbaz gerekli.Veri madenciliği eklentilerini ücretsiz; logistic regresyon algoritmaları ve neural ağ üzerinde bağlı olan sihirbazlar içerir.For more information, see the Data Mining Add-ins for Office 2007 Web site.
Başa dön
Tahmin işlevleri listesi
TümMicrosoftalgoritma desteği ortak bir küme işlevi.Özgü hiçbir tahmin işlevleri vardırMicrosoftNeural Network algoritması; ancak karma algoritması listelenen işlevleri aşağıdaki tabloda. destekler
NotNeural ağ ve logistic regresyon modeli, eğitim boyutunu temsil eden tek bir değer döndüren küme için tüm modeli. |
|
|
Sık kullanılan tüm işlevlerin listesi içinMicrosoftalgoritmaları, bkz:Algoritma başvurusu (Analysis Services - veri madenciliği).Belirli işlevlerin sözdizimi için bkz:Veri madenciliği Uzantıları (DMX) işlev başvurusu.
Değişiklik Geçmişi
Güncelleştirilmiş içerik |
---|
Eklenen konu, bağlantılar veya olun, sorgu örnekleri arasında taşımak için ewasier. |
See Also