Algoritmus clusteringu Microsoftu

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 Microsoft Clustering je segmentace nebo algoritmus clusteringu , který iteruje případy v datové sadě, aby je seskupil do clusterů, které obsahují podobné charakteristiky. Tyto seskupení jsou užitečné pro zkoumání dat, identifikaci anomálií v datech a vytváření předpovědí.

Modely clusteringu identifikují vztahy v datové sadě, které byste nemuseli logicky odvozovat prostřednictvím neformálního pozorování. Například můžete snadno odhadnout, že lidé, kteří dojíždějí do práce jízdním kolem, obvykle nebydlí daleko od místa svého zaměstnání. Algoritmus však může najít další vlastnosti týkající se cyklistů dojíždějících na kole, které nejsou tak zřejmé. V následujícím diagramu cluster A představuje data o lidech, kteří mají tendenci řídit do práce, zatímco cluster B představuje data o lidech, kteří mají tendenci jezdit na kole do práce.

Algoritmus clusteringu se liší od jiných algoritmů dolování dat, jako je například algoritmus Rozhodovací stromy Microsoftu, v tom, že nemusíte určit předvídatelný sloupec, který by mohl sestavit model clusteringu. Algoritmus clusteringu trénuje model výhradně z relací, které existují v datech, a z clusterů, které algoritmus identifikuje.

Example

Představte si skupinu lidí, kteří sdílejí podobné demografické informace a kteří kupují podobné produkty od společnosti Adventure Works. Tato skupina lidí představuje cluster dat. V databázi může existovat několik takových clusterů. Když si všimnete sloupců, které tvoří cluster, můžete jasněji zjistit, jak se záznamy v datové sadě vzájemně vztahují.

Jak funguje algoritmus

Algoritmus Microsoft Clustering nejprve identifikuje relace v datové sadě a vygeneruje řadu clusterů založených na těchto relacích. Bodový graf je užitečný způsob, jak vizuálně znázorňovat, jak algoritmus seskupuje data, jak je znázorněno v následujícím diagramu. Bodový graf představuje všechny případy v datové sadě a každý případ představuje bod v grafu. Clustery seskupují body v grafu a ilustrují vztahy, které algoritmus identifikuje.

Po prvním definování clusterů algoritmus vypočítá, jak dobře clustery představují seskupení bodů, a pak se pokusí předefinovat seskupení a vytvořit clustery, které lépe reprezentují data. Algoritmus iteruje tímto procesem, dokud nemůže zlepšit výsledky tím, že znovu definuje clustery.

Způsob fungování algoritmu můžete přizpůsobit tak, že vyberete metodu určení clusteringu, omezíte maximální počet clusterů nebo změníte množství podpory potřebné k vytvoření clusteru. Další informace naleznete v tématu Technické reference k algoritmu clusteringu Microsoftu. Tento algoritmus zahrnuje dvě oblíbené metody shlukování: K-means a Expectation Maximization.

Data požadovaná pro modely clusteringu

Při přípravě dat k použití při trénování modelu clusteringu byste měli porozumět požadavkům konkrétního algoritmu, včetně toho, kolik dat je potřeba a jak se data používají.

Požadavky na model clusteringu jsou následující:

• Sloupec s jedním klíčem Každý model musí obsahovat jeden číselný nebo textový sloupec, který jednoznačně identifikuje každý záznam. Složené klíče nejsou povolené.

• Vstupní sloupce Každý model musí obsahovat aspoň jeden vstupní sloupec, který obsahuje hodnoty, které se používají k sestavení clusterů. Můžete mít libovolný počet vstupních sloupců, ale v závislosti na počtu hodnot v každém sloupci může přidání dalších sloupců zvýšit dobu potřebnou k trénování modelu.

• Volitelný předvídatelný sloupec Algoritmus k sestavení modelu nepotřebuje předvídatelný sloupec, ale můžete přidat předvídatelný sloupec téměř jakéhokoli datového typu. Hodnoty předvídatelného sloupce se dají považovat za vstup do modelu clusteringu nebo můžete určit, že se použije jenom pro predikce. Pokud například chcete předpovědět příjmy zákazníků pomocí clusteringu s demografickými údaji, jako je oblast nebo věk, zadáte příjem jako PredictOnly a přidáte všechny ostatní sloupce, například oblast nebo věk, jako vstupy.

Podrobnější informace o typech obsahu a datových typech podporovaných pro modely clusteringu najdete v části Požadavky technické reference k algoritmům clusteringu Společnosti Microsoft.

Zobrazení modelu clusteringu

K prozkoumání modelu můžete použít Prohlížeč clusteru Microsoft. Při zobrazení modelu clusteringu vám služba SQL Server Analysis Services ukáže clustery v diagramu, který znázorňuje vztahy mezi clustery, a také poskytuje podrobný profil každého clusteru, seznam atributů, které rozlišují jednotlivé clustery od ostatních, a charakteristiky celé trénovací sady dat. Další informace naleznete v tématu Procházení modelu pomocí prohlížeče Microsoft Cluster Viewer.

Pokud chcete získat další podrobnosti, můžete model procházet v prohlížeči Microsoft Generic Content Tree Viewer. Obsah uložený pro model zahrnuje distribuci všech hodnot v každém uzlu, pravděpodobnost každého clusteru a další informace. Další informace naleznete v tématu Obsah těžebního modelu pro shlukovací modely (Analysis Services - Data Mining).

Vytváření předpovědí

Po vytrénování modelu se výsledky uloží jako sada vzorů, které můžete prozkoumat nebo použít k předpovědím.

Můžete vytvářet dotazy, které vrátí předpovědi o tom, jestli se nová data vejdou do zjištěných clusterů, nebo získat popisné statistiky o clusterech.

Informace o tom, jak vytvářet dotazy na model dolování dat, naleznete v tématu Dotazy dolování dat. Příklady použití dotazů s modelem clusteringu najdete v tématu Příklady dotazů modelu clusteringu.

Poznámky

• Podporuje použití jazyka PMML (Predictive Model Markup Language) k vytváření dolování modelů.

• Podporuje podrobnou analýzu.

• Podporuje použití modelů dolování OLAP a vytváření dimenzí dolování dat.

Viz také

Algoritmy dolování dat (Analysis Services – Dolování dat)
Technické informace o algoritmech clusteringu Microsoftu
Obsah modelu dolování pro clusteringové modely (Analysis Services – Dolování dat)
Příklady dotazů modelu clusteringu