Microsoft 線性迴歸演算法技術參考

所有 Analysis Services 資料採礦演算法都會自動使用特徵選取來改善分析並減少處理的負載。在線性迴歸中，用於特徵選取的方法為有趣性分數，因為模型支援僅支援連續資料行。下表顯示線性迴歸演算法與決策樹演算法的特徵選取差異，供參考之用。

針對決策樹模型控制特徵選取的演算法參數為 MAXIMUM_INPUT_ATTRIBUTES 和 MAXIMUM_OUTPUT。

下表列出針對 Microsoft 線性迴歸演算法提供的參數。

Microsoft 線性迴歸演算法支援下列模型旗標。當您建立採礦結構或採礦模型時，您會定義模型旗標來指定分析期間要如何處理每個資料行中的值。如需詳細資訊，請參閱＜模型旗標 (資料採礦)＞。

模型旗標	說明
NOT NULL	表示資料行不能包含 Null 值。如果 Analysis Services 在模型定型期間遇到 Null 值，將會產生錯誤。 適用於採礦結構資料行。
REGRESSOR	表示資料行包含分析時應視為潛在獨立變數的連續數值。 附註 為資料行加上旗標做為迴歸輸入變數無法確保將該資料行當做最終模型中的迴歸輸入變數使用。 適用於採礦模型資料行。

線性迴歸模型是以 Microsoft 決策樹演算法為基礎。不過，即使您不使用 Microsoft 線性迴歸演算法，任何決策樹模型仍可能包含代表連續屬性迴歸的樹狀結構或節點。

您不需要指定連續的資料行代表迴歸輸入變數。即使未在資料行上設定 REGRESSOR 旗標，Microsoft 決策樹演算法也會將資料集分割成具備有意義之模式的區域。其差別是當您設定模型旗標時，演算法會嘗試尋找 a*C1 + b*C2 + ... 形式的迴歸方程式，以便在樹狀結構的節點中比對模式。之後會計算剩餘數的總和，如果差異過大，就會在樹狀結構中強制進行分割。

例如，如果您使用 Income 做為屬性來預測客戶購買行為，且在資料行上設定 REGRESSOR 模型旗標，則演算法首先會使用標準迴歸公式來比對 Income 值。如果差異過大，就會放棄迴歸公式，且根據其他的屬性分割樹狀結構。在分割之後，決策樹演算法就會接著嘗試在每個分支中比對收入的迴歸輸入變數。

您可以使用 FORCED_REGRESSOR 參數來確保演算法會使用特定的迴歸輸入變數。這個參數可以搭配 Microsoft 決策樹演算法及 Microsoft 線性迴歸演算法使用。

Microsoft 線性迴歸演算法支援下表所列的特定輸入資料行和可預測資料行。如需有關內容類型用於採礦模型時所代表意義的詳細資訊，請參閱＜內容類型 (資料採礦)＞。