Algoritmus neurální sítě 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 Neural Network je implementace oblíbené a přizpůsobitelné architektury neurální sítě pro strojové učení. Algoritmus funguje testováním každého možného stavu vstupního atributu proti každému možnému stavu předvídatelného atributu a výpočtu pravděpodobností pro každou kombinaci na základě trénovacích dat. Tyto pravděpodobnosti můžete použít pro klasifikační nebo regresní úlohy k predikci výsledku na základě některých vstupních atributů. Neurální síť se dá použít také k analýze přidružení.

Když vytvoříte model dolování pomocí algoritmu Microsoft Neuural Network, můžete zahrnout více výstupů a algoritmus vytvoří více sítí. Počet sítí obsažených v jednom modelu dolování závisí na počtu stavů (nebo hodnot atributů) ve vstupních sloupcích a také na počtu předvídatelných sloupců, které model dolování používá, a počtu stavů v těchto sloupcích.

Example

Algoritmus Microsoft Neural Network je užitečný k analýze složitých vstupních dat, jako jsou například z výrobního nebo komerčního procesu, nebo obchodních problémů, pro které je k dispozici značné množství trénovacích dat, ale pro která pravidla nelze snadno odvodit pomocí jiných algoritmů.

Mezi navrhované scénáře použití algoritmu Microsoft Neural Network patří:

• Analýza marketingu a propagace, například měření úspěšnosti propagace přímé pošty nebo reklamní kampaně rádia

• Predikce pohybu akcií, kolísání měny nebo jiných vysoce proměnlivých finančních informací z historických dat

• Analýza výrobních a průmyslových procesů

• Dolování textu

• Jakýkoli prediktivní model, který analyzuje složité vztahy mezi mnoha vstupy a relativně méně výstupů

Jak funguje algoritmus

Algoritmus Microsoft Neural Network vytvoří síť, která se skládá z až tří vrstev uzlů (někdy označovaných jako neurony). Tyto vrstvy jsou vstupní vrstva, skrytá vrstva a výstupní vrstva.

Vstupní vrstva: Vstupní uzly definují všechny hodnoty vstupních atributů pro model dolování dat a jejich pravděpodobnosti.

Skrytá vrstva: Skryté uzly přijímají vstupy ze vstupních uzlů a poskytují výstupy výstupním uzlům. Skrytá vrstva je ta, kde se různým pravděpodobnostem vstupů přiřazují váhy. Váha popisuje význam nebo důležitost konkrétního vstupu do skrytého uzlu. Čím větší je váha přiřazená ke vstupu, tím důležitější je hodnota tohoto vstupu. Váhy mohou být záporné, což znamená, že vstup může inhibovat, spíše než upřednostňovat, konkrétní výsledek.

Výstupní vrstva: Výstupní uzly představují předvídatelné hodnoty atributů pro model dolování dat.

Podrobné vysvětlení toho, jak se vytvářejí a ohodnotují vstupní, skryté a výstupní vrstvy, najdete v technických referenčních informacích k neurálnímu síťovému algoritmu Microsoftu.

Data požadovaná pro modely neurálních sítí

Model neurální sítě musí obsahovat klíčový sloupec, jeden nebo více vstupních sloupců a jeden nebo více předvídatelných sloupců.

Modely dolování dat, které používají algoritmus Microsoft Neural Network, jsou silně ovlivněny hodnotami, které zadáte pro parametry, které jsou pro algoritmus k dispozici. Parametry definují, jak se data vzorkují, jak se data distribuují nebo se mají v jednotlivých sloupcích distribuovat a kdy se vyvolá výběr funkce, aby se omezily hodnoty použité v konečném modelu.

Další informace o nastavení parametrů pro přizpůsobení chování modelu naleznete v tématu Technické reference k algoritmům neurální sítě.

Zobrazení modelu neurální sítě

Pokud chcete pracovat s daty a zjistit, jak model koreluje vstupy s výstupy, můžete použít prohlížeč Microsoft Neural Network Viewer. Pomocí tohoto vlastního prohlížeče můžete filtrovat vstupní atributy a jejich hodnoty a zobrazit grafy, které ukazují, jak ovlivňují výstupy. Popisy v prohlížeči zobrazují pravděpodobnost a metodu lift přidruženou ke každému páru vstupních a výstupních hodnot. Další informace naleznete v tématu Procházení modelu pomocí prohlížeče Microsoft Neuural Network Viewer.

Nejjednodušší způsob, jak prozkoumat strukturu modelu, je použít Microsoft Generic Content Tree Viewer. Můžete zobrazit vstupy, výstupy a sítě vytvořené modelem a kliknutím na libovolný uzel ho rozbalit a zobrazit statistiky související se vstupem, výstupem nebo skrytými uzly vrstvy. Další informace naleznete v tématu Procházení modelu pomocí Prohlížeče stromového stromu obecného obsahu Společnosti Microsoft.

Vytváření předpovědí

Po zpracování modelu můžete k předpovědím použít síť a váhy uložené v jednotlivých uzlech. Model neurální sítě podporuje regresi, asociaci a klasifikaci analýzy. Význam každé předpovědi se proto může lišit. Můžete se také dotazovat na samotný model a zkontrolovat korelace, které byly nalezeny, a načíst související statistiky. Příklady vytvoření dotazů na model neurální sítě najdete v tématu Příklady dotazů modelu neurální sítě.

Obecné informace o tom, jak vytvořit dotaz na model dolování dat, naleznete v tématu Dotazy dolování dat.

Poznámky

• Nepodporuje dimenze podrobné analýzy ani dolování dat. Důvodem je to, že struktura uzlů v modelu dolování nemusí nutně odpovídat přímo podkladovým datům.

• Nepodporuje vytváření modelů ve formátu PMML (Predictive Model Markup Language).

• Podporuje použití dolování modelů OLAP.

• Nepodporuje vytváření dimenzí dolování dat.

Viz také

Technické referenční informace k algoritmu neurální sítě od Microsoftu
Obsah modelu dolování pro neurální síťové modely (Analysis Services – Dolování dat)
Příklady dotazů modelu neurální sítě
Algoritmus logistické regrese Microsoftu