Veri madenciliği algoritmaları (Analysis Services - veri madenciliği)
The data mining algorithm is the mechanism that creates a data mining model.Bir model oluşturmak için bir algoritma ilk veri küme çözümler ve özel desenleri ve eğilimleri için arar.Algoritma kullanır sonuçlar araştırma modeli parametreleri tanımlamak için bu çözümleme.Bu parametreler için tüm veri küme boyunca sonra uygulanan ayıklamak ulaşmaları desenleri ve ayrıntılı istatistikleri.
Bir algoritma oluşturur araştırma modeli de dahil olmak üzere çeşitli formlar alabilir:
A küme ürünleri birlikte bir harekette gruplandırılma biçimini tanımlayan kurallar.
Belirli bir müşteri bir ürün satın alacak öngörür karar ağacı.
Satış tahminleri matematiksel bir model.
Bir dataset durumlarda nasıl ilişkili açıklayan kümeleri küme.
Microsoft SQL Server Analysis Services provides several algorithms for use in your data mining solutions.Bu algoritmalar veri madenciliği için kullanılan tüm algoritmaları alt küme küme küme kümesidir.Veri Mining belirtimi için ole db ile uyumlu üçüncü taraf algoritmaları da kullanabilirsiniz.Üçüncü taraf algoritmaları hakkında daha fazla bilgi için bkz: Plugin algoritmaları.
Veri madenciliği algoritmaları türleri
Analysis Services Aşağıdaki algoritma türleri içerir:
Sınıflandırma algoritmaları bir veya daha fazla discrete dataset içindeki diğer öznitelikleri temel değişkenleri, tahmin.Sınıflandırma algoritma örneği Microsoft karar ağaçlar algoritması.
Regresyon algoritmaları bir veya daha fazla sürekli gibi değişkenleri kar veya dataset içindeki diğer özniteliklerini temel alan, önceden tahmin.Regresyon algoritma örneği Microsoft zaman Series algoritması.
Segment oluşturma algoritmaları veri grupları veya benzer özelliklere sahip maddeleri kümeler bölün.segmentlere ayırma algoritma örneği Microsoft Kümeleme algoritması.
İlişkilendirme algoritma bir dataset içindeki farklı öznitelikler arasındaki bağıntıları bulmak.Kullanılabilir ilişkilendirme kuralları oluşturmak için bu tür algoritmanın en yaygın uygulama ise bir pazar sepeti çözümlemesi.Bir ilişkilendirme algoritma örneği Microsoft ilişkilendirme algoritması.
Analiz algoritmaları sıra sık sık sıraları veya Web yol akışı gibi veri bölümleri Özetle.Sıra analiz algoritması örneği Microsoft sırası kümeleme algoritması.
Algoritmalar uygulanıyor
Belirli iş görev için kullanılacak en iyi algoritmasını seçme zor olabilir.Farklı algoritmalar aynı iş görevi gerçekleştirmek için kullanabilirsiniz, ancak her algoritması farklı bir sonuç üretir ve bazı algoritmalar daha fazla türde sonuç üretebilir.Örneğin, kullanmak Microsoft karar ağaçlar algoritma yalnızca tahmin, ama da çünkü karar ağacı sütunlar değil etkileyen tanımlamak bir dataset sütun sayısını azaltmak için bir yol olarakson araştırma modeli.
Siz de algoritmalarını bağımsız olarak kullanmak gerekmez.Tek bir veri madenciliği çözümü verileri incelemek için bazı algoritmalar kullanın ve ardından belirli bir sonucunu tahmin etmek için diğer algoritmalar kullanın bu verilere dayanarak.Örneğin, veri daha az homojen gruplara ayırmak için desenleri, tanıdığı bir kümeleme algoritması kullanır ve sonra sonuçlar daha iyi bir karar ağacı model oluşturmak için kullanın.Finansal tahmin bilgilerini elde etmek için regresyon ağaç algoritması kullanarak örneğin ayrı görevleri gerçekleştirmek için bir çözüm içindeki birden çok algoritma ve kural tabanlı bir algoritma gerçekleştirmek için kullanabileceğiniz bir pazar sepeti çözümlemesi.
Modeller mining değerleri tahmin etmek, veri özetleri üreten ve gizli korelasyonlarını bulmak.Sizin veri madenciliği çözümü aşağıdaki algoritmalar seçmenize yardımcı olmak için tablo belirli görevler için kullanmak hangi algoritmaların yönelik öneriler sağlar.
Görev |
Microsoft algoritmaları kullanmak için |
|---|---|
Kesikli öznitelik tahmin etmek. Örneğin, hedeflenen posta kampanya alıcı bir ürün satın alacak tahmin. |
Microsoft karar ağaçlar algoritması Microsoft Naive Bayes algoritması |
Sürekli öznitelik tahmin etmek. Örneğin, gelecek yıla ait satış tahmin. |
|
Bir sıra tahmin etmek. Örneğin, gerçekleştirmek bir tıklatma dizisi çözümlemesi bir şirketin Web sitesi. |
|
Hareketleri genel madde grupları bulma. Örneğin, pazar sepeti çözümlemesi satınalma için müşteriden ek ürünleri önermek için. |
|
Benzer madde grupları bulma. Örneğin, segment demografik veriler gruplarına daha iyi içine öznitelikler arasındaki ilişkileri anlama. |
Her model farklı türde bir sonuç verdiği için Analysis Services sağlayan ayrı bir görüntüleyici için her algoritması.Araştırma modelinde gözattığınızda Analysis Services, model üzerinde görüntülenen Araştırma modeli Görüntüleyicisi uygun Görüntüleyici model için kullandığı veri madenciliği Tasarımcısı sekmesi.Daha fazla bilgi için bkz: Veri madenciliği Model görüntüleme.
Algoritma ayrıntıları
Aşağıdaki tablo her algoritması için kullanılabilen bilgi türlerini bağlantılar sağlar:
Basic algorithm description Provides a basic explanation of what the algorithm does and how it works, together with a business scenario where the algorithm might be useful.
Teknik başvuruyapabilirsiniz parametreleri listeler küme algoritma davranışını denetlemek ve model sonuçlar özelleştirmek için.Algoritma, performans ipuçları ve veri gereksinimleri uygulanması hakkında ek teknik ayrıntı sağlar.
Bir modeli sorgulama, her model türü ile kullanabileceğiniz sorgu örnekleri sağlar.Modelinde desenleri hakkında daha fazla bilgi için veya bu desenleri esas alarak Öngörüler yapmak için bir model sorgulayabilirsiniz.
Mining modeli içeriğinasıl bilgi tüm model türleri için ortak bir yapı içinde saklanır ve bilgileri yorumlamak açıklar açıklar.Bir model inşa ettik sonra sağlanan görüntüleyicileri kullanarak modeli keşfedebilirsiniz BI Development Studio, veya dmx. kullanarak modeli içeriği doğrudan bilgi almak için sorgular yazabilirsiniz