演算法參考 (Analysis Services - 資料採礦)
本章節提供了有關特定資料採礦演算法之其他資訊的主題連結。本章節也提供了可搭配每一個演算法使用的函數清單。
如需資料採礦演算法之運作方式的概觀，或是您將會從使用特定演算法而獲益的各種商務案例，請參閱＜資料採礦演算法 (Analysis Services - 資料採礦)＞。
演算法的一般描述
選擇分析工作的正確演算法並準備資料來符合分析的需求，都是資料採礦程序中的重要步驟。下列主題提供了每一個演算法之運作方式的概觀、建立適合此演算法之分析工作的範例，並描述此案例中使用模型的方式。每一個主題都包含「需求」一節，以提供每一個模型類型所需之資料類型的相關指引。
演算法技術參考
如果您在建立模型時選取要使用的演算法，您可以接受 Analysis Services 所提供的預設值，但是在許多情況下可能需要自訂建立模型的方式或是演算法處理資料的方式。下列主題描述您可用來自訂採礦模型的參數，並提供有關每一個演算法之實作的詳細技術資訊。
Microsoft 時序群集演算法技術參考 (Analysis Services - 資料採礦)
當您建立模型時，您可以自訂此模型，也可能會藉由篩選定型此模型時所使用的資料來影響結果。如需有關在定型和測試採礦模型時如何使用篩選的詳細資訊，請參閱＜建立採礦模型的篩選 (Analysis Services - 資料採礦)＞和＜圖表模型精確度的工具 (Analysis Services - 資料採礦)＞。
查詢及預測函數參考
您可以使用函數來擷取採礦模型的結果。預測函數可提供有關分析中找到之模式和統計資料的詳細資訊，或者可用來做預測以及根據機率或重要性篩選預測。
如需所有預測函數的清單，請參閱＜資料採礦延伸模組 (DMX) 函數參考＞。
下表列出 Analysis Services 中，可用來在所有演算法類型上建立查詢的函數。
|
搭配特定模型類型使用預測函數
因為每一個演算法都會建立不同的模式，所以還有其他預測函數是每一個模型類型所特有。預測函數的使用方式以及解譯結果的方式也可能會因為採礦模型而稍微不同。如需如何使用預測函數來建立特定模型類型上之查詢的範例，請參閱以下主題：
查詢關聯模型 (Analysis Services - 資料採礦)
查詢群集模型 (Analysis Services - 資料採礦)
查詢決策樹模型 (Analysis Services - 資料採礦)
查詢貝式機率分類模型 (Analysis Services - 資料採礦)
查詢線性迴歸模型 (Analysis Services - 資料採礦)
查詢羅吉斯迴歸模型 (Analysis Services - 資料採礦)
查詢類神經網路模型 (Analysis Services - 資料採礦)