Technické reference k algoritmu lineární regrese společnosti Microsoft

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.

Microsoft Linear Regression algoritmus je speciální verze algoritmu Microsoft Decision Trees, který je optimalizovaný pro modelování dvojic spojitých atributů. Toto téma vysvětluje implementaci algoritmu, popisuje, jak přizpůsobit chování algoritmu a poskytuje odkazy na další informace o dotazování modelů.

Implementace lineárního regresního algoritmu

Algoritmus Rozhodovací stromy Microsoftu lze použít pro mnoho úloh: lineární regresi, klasifikaci nebo analýzu přidružení. K implementaci tohoto algoritmu pro účely lineární regrese jsou parametry algoritmu řízeny tak, aby omezily růst stromu a zachovaly všechna data v modelu v jednom uzlu. Jinými slovy, i když lineární regrese je založená na rozhodovacím stromu, strom obsahuje pouze jeden kořen a žádné větve: všechna data se nacházejí v kořenovém uzlu.

K tomu je parametr MINIMUM_LEAF_CASES algoritmu nastavený tak, aby byl větší nebo roven celkovému počtu případů, které algoritmus používá k trénování modelu dolování. Nastavením parametru tímto způsobem algoritmus nikdy nevytvoří rozdělení, a proto provede lineární regresi.

Rovnice, která představuje regresní přímku, má obecnou formu y = ax + b a je známá jako regresní rovnice. Proměnná Y představuje výstupní proměnnou, X představuje vstupní proměnnou a a b jsou nastavitelné koeficienty. Pomocí dotazu na dokončený model dolování můžete načíst koeficienty, průsečíky a další informace o regresním vzorci. Další informace naleznete v tématu Příklady dotazu modelu lineární regrese.

Metody vyhodnocování a výběr funkcí

Všechny algoritmy dolování dat služby SQL Server Analysis Services automaticky používají výběr funkcí ke zlepšení analýzy a snížení zatížení zpracování. Metoda použitá pro výběr vlastností v lineární regresi je skóre zajímavosti, protože model podporuje pouze kontinuální sloupce. Pro referenci následující tabulka ukazuje rozdíl ve výběru funkcí pro algoritmus lineární regrese a algoritmus Rozhodovací stromy.

Algorithm	Metoda analýzy	Comments
Lineární regrese	Skóre zajímavosti	Výchozí. Jiné metody výběru funkcí, které jsou k dispozici s algoritmem Rozhodovací stromy, se vztahují pouze na diskrétní proměnné, a proto se nevztahují na lineární regresní modely.
Rozhodovací stromy	Skóre zajímavosti Shannonův entropie Bayesian s K2 prior distribuční funkcí Bayesovský Dirichlet s uniformní apriorní pravděpodobností (výchozí)	Pokud některé sloupce obsahují nebinární souvislé hodnoty, použije se pro všechny sloupce skóre zajímavého zájmu, aby byla zajištěna konzistence. V opačném případě se použije výchozí nebo zadaná metoda.

Parametry algoritmu, které řídí výběr funkcí pro model rozhodovacích stromů, jsou MAXIMUM_INPUT_ATTRIBUTES a MAXIMUM_OUTPUT.

Přizpůsobení algoritmu lineární regrese

Algoritmus lineární regrese společnosti Microsoft podporuje parametry, které ovlivňují chování, výkon a přesnost výsledného modelu dolování. Můžete také nastavit příznaky modelování ve sloupcích modelu dolování nebo sloupcích struktury dolování, abyste mohli řídit způsob zpracování dat.

Nastavení parametrů algoritmu

Následující tabulka uvádí parametry, které jsou k dispozici pro algoritmus lineární regrese společnosti Microsoft.

Parameter	Description
MAXIMÁLNÍ_VSTUPNÍ_ATTRIBUTY	Definuje počet vstupních atributů, které může algoritmus zpracovat, než vyvolá výběr funkce. Nastavením této hodnoty na hodnotu 0 vypnete výběr funkcí. Výchozí hodnota je 255.
MAXIMUM_OUTPUT_ATTRIBUTES	Definuje počet výstupních atributů, které může algoritmus zpracovat předtím, než vyvolá výběr funkce. Nastavením této hodnoty na hodnotu 0 vypnete výběr funkcí. Výchozí hodnota je 255.
FORCE_REGRESSOR	Vynutí algoritmus použití uvedených sloupců jako regresorů bez ohledu na důležitost sloupců vypočítaných algoritmem.

Příznaky modelování

Algoritmus lineární regrese Microsoftu podporuje následující příznaky modelování. Při vytváření datové struktury nebo dolovacího modelu definujete příznaky modelování k určení, jak se hodnoty v jednotlivých sloupcích zpracovávají při analýze. Další informace naleznete v tématu Modeling Flags (Data Mining).

Příznak modelování	Description
NESMÍ BÝT NULL	Označuje, že sloupec nemůže obsahovat hodnotu null. Pokud služba Analysis Services během trénování modelu narazí na hodnotu null, dojde k chybě. Platí pro sloupce struktury dolování.
REGRESOR	Označuje, že sloupec obsahuje souvislé číselné hodnoty, které by měly být během analýzy považovány za potenciální nezávislé proměnné. Platí pro sloupce modelu dolování. Poznámka: Označení sloupce jako regresoru nezajistí, že se sloupec použije jako regresor v konečném modelu.

Regresory v modelech lineární regrese

Modely lineární regrese jsou založené na algoritmu Microsoft Decision Trees. I když však nepoužíváte algoritmus lineární regrese společnosti Microsoft, může jakýkoli model rozhodovacího stromu obsahovat strom nebo uzly, které představují regresi u spojitého atributu.

Nemusíte zadávat, že průběžný sloupec představuje regresor. Algoritmus Rozhodovací stromy Microsoftu rozdělí datovou sadu do oblastí s smysluplnými vzory, i když ve sloupci nenastavíte příznak REGRESSOR. Rozdíl je v tom, že když nastavíte příznak modelování, algoritmus se pokusí najít regresní rovnice formuláře a*C1 + b*C2 + ... tak, aby odpovídal vzorům v uzlech stromu. Součet reziduí se vypočítá a pokud je odchylka příliš velká, je vynuceno rozdělení ve stromu.

Pokud například predikujete chování zákazníků při nákupu pomocí příjmu jako atributu a nastavíte příznak modelování REGRESSOR ve sloupci [Příjem], algoritmus se nejprve pokusí přizpůsobit hodnoty pomocí standardního regresního vzorce. Pokud je odchylka příliš velká, vzorec regrese je opuštěný a strom by byl rozdělen na některý jiný atribut. Algoritmus rozhodovacího stromu by se pak pokusil přizpůsobit regresor pro příjem v každé větvi po rozdělení.

Pomocí parametru FORCED_REGRESSOR můžete zaručit, že algoritmus použije konkrétní regresor. Tento parametr lze použít s algoritmy Microsoft Decision Trees a Microsoft Linear Regression.

Požadavky

Model lineární regrese musí obsahovat klíčový sloupec, vstupní sloupce a alespoň jeden předvídatelný sloupec.

Vstupní a předvídatelné sloupce

Algoritmus lineární regrese společnosti Microsoft podporuje konkrétní vstupní sloupce a předvídatelné sloupce uvedené v následující tabulce. Další informace o tom, co typy obsahu znamenají při použití v modelu dolování, naleznete v tématu Typy obsahu (Dolování dat).

Sloupec	Typy obsahu
Vstupní atribut	Kontinuální, Cyklus, Klíč, Tabulka a Usazený
Předvídatelný atribut	Průběžné, cyklické a seřazené

Poznámka:

Cyklické a seřazené typy obsahu jsou podporovány, ale algoritmus je považuje za diskrétní hodnoty a neprovádí speciální zpracování.

Viz také

Microsoft Linear Regression Algorithm
Příklady dotazů modelu lineární regrese
Obsah modelu dolování pro lineární regresní modely (Analysis Services – Dolování dat)