Algoritmy dolování dat (Analysis Services – Dolování dat)

Platí pro: SQL Server 2019 a starší služby Analysis Services Azure Analysis Services Fabric/ Power BI Premium

Důležité

Dolování dat bylo v SQL Serveru 2017 Analysis Services zastaralé a nyní ukončeno ve službě SQL Server 2022 Analysis Services. Dokumentace se neaktualizuje pro zastaralé a ukončené funkce. Další informace najdete v tématu Zpětná kompatibilita služby Analysis Services.

Algoritmus při dolování dat (nebo strojovém učení) je sada heuristik a výpočtů, které vytváří model z dat. Pokud chcete vytvořit model, algoritmus nejprve analyzuje data, která zadáte, a hledá konkrétní typy vzorů nebo trendů. Algoritmus používá výsledky této analýzy nad mnoha iteracemi k nalezení optimálních parametrů pro vytvoření modelu dolování. Tyto parametry se pak použijí napříč celou sadou dat, aby se extrahovali vzory s akcemi a podrobné statistiky.

Model dolování, který algoritmus vytvoří z vašich dat, může mít různé formy, včetně:

• Sada clusterů, které popisují, jak souvisí případy v datové sadě.

• Rozhodovací strom, který předpovídá výsledek, a popisuje, jak různá kritéria ovlivňují tento výsledek.

• Matematický model, který předpovídá prodej.

• Sada pravidel, která popisují, jak se produkty seskupují v transakci, a pravděpodobnosti, že se produkty kupují společně.

Algoritmy poskytované v sql Server Data Mining jsou nejoblíbenější, dobře prozkoumáné metody odvození vzorů z dat. Jedním z příkladů je clustering K-means jedním z nejstarších algoritmů clusteringu a je k dispozici v mnoha různých nástrojích a s mnoha různými implementacemi a možnostmi. Konkrétní implementace clusteringu K-Means používaného v SQL Server Data Mining byla vyvinuta společností Microsoft Research a poté optimalizována pro výkon pomocí služby SQL Server Analysis Services. Všechny algoritmy microsoftu pro dolování dat je možné značně přizpůsobit a jsou plně programovatelné pomocí poskytovaných rozhraní API. Vytváření, trénování a opětovné trénování modelů můžete také automatizovat pomocí komponent dolování dat v integračních službách.

Můžete také použít algoritmy třetích stran, které vyhovují specifikaci OLE DB pro dolování dat, nebo vyvíjet vlastní algoritmy, které lze zaregistrovat jako služby a pak použít v rámci rozhraní SQL Server Data Mining.

Volba správného algoritmu

Výběr nejlepšího algoritmu, který se má použít pro konkrétní analytickou úlohu, může být výzvou. I když můžete použít různé algoritmy k provedení stejné obchodní úlohy, každý algoritmus vytvoří jiný výsledek a některé algoritmy můžou vytvořit více než jeden typ výsledku. Například můžete použít algoritmus Rozhodovací stromy Microsoftu nejen pro predikci, ale také jako způsob, jak snížit počet sloupců v datové sadě, protože rozhodovací strom dokáže identifikovat sloupce, které nemají vliv na konečný model dolování.

Volba algoritmu podle typu

Dolování dat SQL Serveru zahrnuje následující typy algoritmů:

• Klasifikační algoritmy predikují jednu nebo více diskrétních proměnných na základě dalších atributů v datové sadě.

• Regresní algoritmy predikují jednu nebo více souvislých číselných proměnných, jako je zisk nebo ztráta, na základě jiných atributů v datové sadě.

• Segmentační algoritmy rozdělují data do skupin nebo clusterů položek, které mají podobné vlastnosti.

• Algoritmy přidružení najdou korelace mezi různými atributy v datové sadě. Nejběžnější aplikací tohoto typu algoritmu je vytvoření pravidel přidružení, která lze použít v analýze nákupního košíku.

• Algoritmy pro analýzu sekvencí shrnují časté sekvence nebo epizody v datech, například sérii kliknutí na webu nebo řadu událostí protokolu předcházejících údržbě počítače.

Neexistuje ale žádný důvod, proč byste měli být ve svých řešeních omezeni na jeden algoritmus. Zkušení analytici někdy použijí jeden algoritmus k určení nejúčinnějších vstupů (tj. proměnných) a pak použije jiný algoritmus k predikci konkrétního výsledku na základě těchto dat. SQL Server Data Mining umožňuje vytvářet více modelů na jedné dolování struktury, takže v rámci jednoho řešení pro dolování dat můžete použít clusteringový algoritmus, model rozhodovacích stromů a model Naïve Bayes k získání různých zobrazení dat. K provádění samostatných úloh můžete použít také více algoritmů v rámci jednoho řešení: například regresi můžete použít k získání finančních prognóz a k analýze faktorů, které ovlivňují prognózy, použít algoritmus neurální sítě.

Výběr algoritmu podle úkolu

Abychom vám pomohli vybrat algoritmus pro konkrétní úkol, následující tabulka nabízí návrhy, jaké typy úkolů jsou pro každý algoritmus tradičně vhodné.

Příklady úkolů	Algoritmy Microsoftu pro použití
Predikce diskrétního atributu: Označte zákazníky v seznamu potenciálních kupujících jako dobré nebo špatné možnosti. Spočítejte pravděpodobnost selhání serveru během následujících 6 měsíců. Kategorizujte výsledky pacientů a prozkoumejte související faktory.	Algoritmus rozhodovacích stromů Microsoftu Algoritmus Microsoft Naive Bayes Algoritmus clusteringu Microsoftu Algoritmus neurální sítě Microsoftu
Predikce průběžného atributu: Prognóza prodeje příštího roku Predikce návštěvníků webu s historickými a sezónními trendy Vygenerujte skóre rizika vzhledem k demografickým údajům.	Algoritmus rozhodovacích stromů Microsoftu Algoritmus Microsoft Time Series Microsoft Linear Regression Algorithm
Predikce sekvence: Proveďte analýzu clickstreamu webu společnosti. Analyzujte faktory, které vedou k selhání serveru. Zachyťte a analyzujte posloupnosti aktivit během ambulantních návštěv a formulujte osvědčené postupy týkající se běžných aktivit.	Algoritmus pro shlukování Microsoft Sequence
Hledání skupin běžných položek v transakcích: K určení umístění produktu použijte analýzu nákupního košíku. Navrhněte zákazníkovi další produkty k nákupu. Analyzujte data průzkumu od návštěvníků k události, abyste zjistili, které aktivity nebo stánky byly korelovány, a naplánujte budoucí aktivity.	Algoritmus přidružení Microsoftu Algoritmus rozhodovacích stromů Microsoftu
Hledání skupin podobných položek: Vytvořte skupiny profilů rizik pacientů na základě atributů, jako jsou demografické údaje a chování. Analyzujte uživatele podle jejich prohlížecích a nákupních vzorců. Identifikujte servery, které mají podobné charakteristiky využití.	Algoritmus clusteringu Microsoftu Algoritmus pro shlukování Microsoft Sequence

Související obsah

Následující část obsahuje odkazy na výukové materiály pro každý algoritmus dolování dat, které jsou k dispozici v SQL Server Data Mining:

• Základní popis algoritmu: Vysvětluje, co algoritmus dělá a jak funguje, a popisuje možné obchodní scénáře, ve kterých může být algoritmus užitečný.

  • Algoritmus přidružení Microsoftu

  • Algoritmus clusteringu Microsoftu

  • Algoritmus rozhodovacích stromů Microsoftu

  • Microsoft Linear Regression Algorithm

  • Algoritmus logistické regrese Microsoftu

  • Algoritmus Microsoft Naive Bayes

  • Algoritmus neurální sítě Microsoftu

  • Algoritmus pro shlukování Microsoft Sequence

  • Algoritmus Microsoft Time Series

• Technické reference: Poskytuje technické podrobnosti o implementaci algoritmu s akademickými odkazy podle potřeby. Zobrazí seznam parametrů, které můžete nastavit pro řízení chování algoritmu a přizpůsobení výsledků v modelu. Popisuje požadavky na data a v případě potřeby poskytuje tipy k výkonu.

  • Technické referenční informace k algoritmu přidružení Microsoftu

  • Technické informace o algoritmech clusteringu Microsoftu

  • Technické reference k algoritmu Rozhodovací stromy Microsoftu

  • Technické reference k algoritmu lineární regrese společnosti Microsoft

  • Technické reference k algoritmu logistické regrese microsoftu

  • Technické reference k algoritmu Microsoft Naive Bayes

  • Technické referenční informace k algoritmu neurální sítě od Microsoftu

  • Technické informace o algoritmu clusteringu Microsoft Sequence

  • Technické reference k algoritmu Microsoft Time Series

• Obsah modelu: Vysvětluje, jak jsou informace strukturovány v rámci každého typu modelu dolování dat, a vysvětluje, jak interpretovat informace uložené v jednotlivých uzlech.

  • Obsah modelu dolování pro modely přidružení (Analysis Services – Dolování dat)

  • Obsah modelu dolování pro clusteringové modely (Analysis Services – Dolování dat)

  • Obsah modelu dolování pro modely rozhodovacího stromu (Analysis Services – Dolování dat)

  • Obsah modelu dolování pro lineární regresní modely (Analysis Services – Dolování dat)

  • Obsah modelu dolování pro logistické regresní modely (Analysis Services – Dolování dat)

  • Obsah modelu dolování pro modely Naive Bayes (Analysis Services – Dolování dat)

  • Obsah modelu dolování pro neurální síťové modely (Analysis Services – Dolování dat)

  • Obsah modelu dolování pro sekvenční clusteringové modely (Analysis Services – Dolování dat)

  • Obsah těžebního modelu pro modely časových řad (Analysis Services – Dolování dat)

• Dotazy dolování dat: Poskytuje více dotazů, které můžete použít s každým typem modelu. Mezi příklady patří dotazy na obsah, které vám umožní získat další informace o vzorech modelu, a prediktivní dotazy, které vám pomůžou vytvářet předpovědi založené na těchto vzorech.

  • Příklady dotazů modelu přidružení

  • Příklady dotazů modelu clusteringu

  • Příklady dotazů modelu rozhodovacích stromů

  • Příklady dotazů modelu lineární regrese

  • Příklady dotazů modelu logistické regrese

  • Příklady dotazů modelu Naive Bayes

  • Příklady dotazů modelu neurální sítě

  • Příklady dotazů modelu sekvenčního clusteringu

  • Příklady dotazů modelu time series|

Související úkoly

Topic	Description
Určení algoritmu používaného modelem dolování dat	Dotazování parametrů použitých k vytvoření modelu dolování
Vytvoření vlastního algoritmu zásuvného modulu	Pluginové algoritmy
Prozkoumání modelu pomocí prohlížeče specifického pro algoritmy	Prohlížeče modelů dolování dat
Zobrazení obsahu modelu pomocí obecného formátu tabulky	Procházení modelu pomocí prohlížeče stromu obecného obsahu Microsoftu
Přečtěte si, jak nastavit data a používat algoritmy k vytváření modelů.	Struktury dolování dat (Analysis Services - Dolování dat) Modely dolování (Analysis Services – Dolování dat)

Viz také

Nástroje pro dolování dat