Data Mining-Algorithmen (Analysis Services - Data Mining)

Gilt für: SQL Server 2019 und früheren Analysis Services Azure Analysis Services Fabric/Power BI Premium

Wichtig

Data Mining wurde in SQL Server 2017 Analysis Services als veraltet eingestuft und wurde jetzt in SQL Server 2022 Analysis Services eingestellt. Die Dokumentation wird für veraltete und eingestellte Features nicht aktualisiert. Weitere Informationen finden Sie unter Abwärtskompatibilität von Analysis Services.

Ein Algorithmus beim Data Mining (oder Machine Learning) besteht aus einer Reihe von Heuristiken und Berechnungen, durch die aus Daten ein Modell erstellt wird. Um ein Modell zu erstellen, werden vom Algorithmus zuerst die von Ihnen bereitgestellten Daten analysiert und bestimmte Muster oder Trends gesucht. Mithilfe der Ergebnisse dieser Analyse über zahlreiche Iterationen definiert der Algorithmus die optimalen Parameter zum Erstellen des Miningmodells. Diese Parameter werden dann für das gesamte Dataset übernommen, um aussagefähige Muster und ausführliche Statistiken zu extrahieren.

Das von einem Algorithmus aus Ihren Daten erstellte Miningmodell kann verschiedene Formen annehmen, einschließlich der folgenden:

• Eine Reihe von Clustern, die die Beziehungen der Fälle in einem Dataset beschreiben.

• Eine Entscheidungsstruktur, durch die ein Ergebnis vorhergesagt und beschrieben wird, wie sich unterschiedliche Kriterien auf dieses Ergebnis auswirken.

• Ein mathematisches Modell zum Vorhersagen von Umsätzen.

• Eine Gruppe von Regeln, die beschreiben, wie Produkte in einer Transaktion gruppiert werden, und die Wahrscheinlichkeiten, dass Produkte zusammen gekauft werden.

Die in SQL Server Data Mining bereitgestellten Algorithmen sind die beliebtesten, gut recherchierten Methoden zur Ableitung von Mustern aus Daten. Ein Beispiel: K-means-Clustering ist einer der ältesten Clusteringalgorithmen und steht in vielen verschiedenen Tools und mit vielen verschiedenen Implementierungen und Optionen zur Verfügung. Die spezielle Implementierung des K-Means-Clusterings, das in SQL Server Data Mining verwendet wird, wurde jedoch von Microsoft Research entwickelt und anschließend mit SQL Server Analysis Services für die Leistung optimiert. Alle Data Mining-Algorithmen von Microsoft können umfassend angepasst werden und sind mithilfe der bereitgestellten APIs vollständig programmierbar. Sie können auch die Erstellung, das Training und das erneute Trainieren von Modellen mithilfe der Data Mining-Komponenten in Integration Services automatisieren.

Sie können auch Algorithmen von Drittanbietern verwenden, die der Spezifikation von OLE DB für Data Mining entsprechen, oder benutzerdefinierte Algorithmen entwickeln, die als Dienste registriert und dann innerhalb des SQL Server Data Mining-Frameworks verwendet werden können.

Auswählen des richtigen Algorithmus

Es kann schwierig sein, den besten Algorithmus für einen bestimmten analytischen Task auszuwählen. Während verschiedene Algorithmen zum Ausführen derselben Geschäftsaufgabe verwendet werden können, liefert jeder Algorithmus ein anderes Ergebnis, und einige Algorithmen können mehr als eine Ergebnisart ergeben. Sie können z. B. den Microsoft Decision Trees-Algorithmus nicht nur für Vorhersagen verwenden, sondern auch für die Reduzierung der Anzahl von Spalten in einem Dataset. Denn anhand der Entscheidungsstruktur können Spalten identifiziert werden, die sich nicht auf das endgültige Miningmodell auswirken.

Auswählen eines Algorithmus nach Typ

SQL Server Data Mining umfasst die folgenden Algorithmustypen:

• Klassifikationsalgorithmen sagen basierend auf den anderen Attributen im Dataset mindestens eine diskrete Variable voraus.

• Regressionsalgorithmen sagen basierend auf anderen Attributen im Dataset mindestens eine kontinuierliche Variable voraus, z. B. den Gewinn oder Verlust.

• Segmentierungsalgorithmen teilen Daten in Gruppen oder Cluster aus Elementen auf, die ähnliche Eigenschaften haben.

• Zuordnungsalgorithmen suchen nach Korrelationen zwischen verschiedenen Attributen in einem Dataset. Die häufigste Anwendung dieser Algorithmusart besteht im Erstellen von Zuordnungsregeln, die für eine Warenkorbanalyse verwendet werden können.

• Sequenzanalysealgorithmen fassen häufige Sequenzen oder Episoden in Daten zusammen, wie z. B. eine Reihe von Mausklicks auf einer Website oder eine Reihe von Protokollereignissen vor einer Computerwartung.

Es gibt jedoch keinen Grund, sich in Projektmappen auf einen Algorithmus zu beschränken. Erfahrene Analytiker verwenden manchmal einen Algorithmus, um die effizientesten Eingaben (d. h. Variablen) zu bestimmen, und wenden dann einen anderen Algorithmus an, um ein bestimmtes Ergebnis auf Grundlage dieser Daten vorherzusagen. SQL Server Data Mining können Sie mehrere Modelle auf einer einzelnen Miningstruktur erstellen, sodass Sie in einer einzelnen Data Mining-Lösung einen Clusteringalgorithmus, ein Entscheidungsstrukturmodell und ein Naïve Bayes-Modell verwenden können, um unterschiedliche Ansichten ihrer Daten zu erhalten. Sie können mithilfe mehrerer Algorithmen in einer einzelnen Projektmappe auch separate Tasks ausführen: Beispielsweise können Sie mit dem Regressionsalgorithmus eine finanzielle Vorhersage generieren und mit dem Neural Network-Algorithmus die Faktoren analysieren, durch die Prognosen beeinflusst wird.

Auswählen eines Algorithmus nach Task

Um Ihnen die Auswahl eines Algorithmus für einen bestimmten Task zu erleichtern, ist in der folgende Tabelle angegeben, für welche Tasktypen die einzelnen Algorithmen üblicherweise verwendet werden.

Beispiele für Tasks	Microsoft-Algorithmen
Vorhersagen eines diskreten Attributs: Kennzeichnen von Kunden in einer Liste potenzieller Käufer als Kunden mit wahrscheinlicher oder unwahrscheinlicher Kaufabsicht. Berechnen der Wahrscheinlichkeit, dass ein Server innerhalb der nächsten sechs Monate ausfällt. Kategorisieren von Therapieergebnissen und Untersuchen verwandter Faktoren.	Microsoft Decision Trees-Algorithmus Microsoft Naive Bayes Algorithm Microsoft Clustering-Algorithmus Microsoft Neural Network Algorithm
Vorhersagen eines kontinuierlichen Attributs: Vorhersagen des Verkaufstrends für das nächste Jahr. Vorhersagen von Websitebesuchern anhand historischer und saisonaler Trends. Generieren einer Risikobewertung anhand demografischer Daten.	Microsoft Decision Trees-Algorithmus Microsoft Time Series-Algorithmus Microsoft Linear Regression-Algorithmus
Vorhersagen einer Sequenz: Ausführen einer Clickstreamanalyse für eine Unternehmenswebsite. Analysieren der Faktoren, die zu einem Serverausfall führen. Aufzeichnen und Analysieren von Arbeitsabläufen während ambulanter Arztbesuche, um Best Practices für allgemeine Abläufe aufzustellen.	Microsoft Sequence Clustering-Algorithmus
Suchen von Gruppen aus allgemeinen Elementen in Transaktionen: Bestimmen der Produktplatzierung mithilfe der Warenkorbanalyse. Vorschlagen zusätzlicher Produktkäufe für einen Kunden. Analysieren einer Besucherumfrage zu einer Veranstaltung, um festzustellen, welche Aktivitäten oder Stände eine Korrelation aufweisen, und zukünftige Aktivitäten zu planen.	Microsoft Association-Algorithmus Microsoft Decision Trees-Algorithmus
Suchen von Gruppen mit ähnlichen Elementen: Gruppieren von Patientenrisikoprofilen auf der Grundlage von Attributen wie demografischen oder Verhaltensdaten. Analysieren von Benutzern anhand von Browsing- und Kaufmustern. Identifizieren von Servern mit ähnlichen Verwendungsmerkmalen.	Microsoft Clustering-Algorithmus Microsoft Sequence Clustering-Algorithmus

Verwandte Inhalte

Der folgende Abschnitt enthält Links zu Lernressourcen für die einzelnen Data Mining-Algorithmen, die in SQL Server Data Mining bereitgestellt werden:

• Grundlegende Algorithmusbeschreibung: Erläutert, was der Algorithmus tut und wie er funktioniert, und beschreibt mögliche Geschäftsszenarien, in denen der Algorithmus nützlich sein könnte.

  • Microsoft Association-Algorithmus

  • Microsoft Clustering-Algorithmus

  • Microsoft Decision Trees-Algorithmus

  • Microsoft Linear Regression-Algorithmus

  • Microsoft Logistic Regression-Algorithmus

  • Microsoft Naive Bayes Algorithm

  • Microsoft Neural Network Algorithm

  • Microsoft Sequence Clustering-Algorithmus

  • Microsoft Time Series-Algorithmus

• Technische Referenz: Stellt technische Details zur Implementierung des Algorithmus bereit, wobei bei Bedarf akademische Referenzen vorhanden sind. Listet die Parameter auf, die Sie festlegen können, um das Verhalten des Algorithmus zu steuern und die Ergebnisse im Modell anzupassen. Beschreibt Datenanforderungen sowie Leistungstipps, falls möglich.

  • Technische Referenz für den Microsoft Association-Algorithmus

  • Technische Referenz für den Microsoft Clustering-Algorithmus

  • Technische Referenz für den Microsoft Decision Trees-Algorithmus

  • Technische Referenz für den Microsoft Linear Regression-Algorithmus

  • Technische Referenz für den Microsoft Logistic Regression-Algorithmus

  • Technische Referenz für den Microsoft Naive Bayes-Algorithmus

  • Technische Referenz für den Microsoft Neural Network-Algorithmus

  • Technische Referenz für den Microsoft Sequence Clustering-Algorithmus

  • Microsoft Time Series Algorithm Technical Reference

• Modellinhalt: Erläutert, wie Informationen innerhalb der einzelnen Data Mining-Modelle strukturiert sind, und erläutert, wie die in den einzelnen Knoten gespeicherten Informationen interpretiert werden.

  • Miningmodellinhalt von Zuordnungsmodellen (Analysis Services – Data Mining)

  • Mingingmodellinhalt von Clustermodellen (Analysis Services - Data Mining)

  • Miningmodellinhalt von Entscheidungsstrukturmodellen (Analysis Services – Data Mining)

  • Miningmodellinhalt von linearen Regressionsmodellen (Analysis Services – Data Mining)

  • Miningmodellinhalt von logistischen Regressionsmodellen (Analysis Services – Data Mining)

  • Miningmodellinhalt von Naive Bayes-Modellen (Analysis Services - Data Mining)

  • Miningmodellinhalt von neuronalen Netzwerkmodellen (Analysis Services - Data Mining)

  • Mingingmodellinhalt von Sequence Clustering-Modellen (Analysis Services – Data Mining)

  • Miningmodellinhalt von Zeitreihenmodellen (Analysis Services – Data Mining)

• Data Mining-Abfragen: Stellt mehrere Abfragen bereit, die Sie mit jedem Modelltyp verwenden können. Zu den Beispielen gehören Inhaltsabfragen, die Aufschluss über die im Modell enthaltenen Muster geben, und Vorhersageabfragen, die Sie beim Generieren von Vorhersagen auf Grundlage dieser Muster unterstützen.

  • Beispiele für Zuordnungsmodellabfragen

  • Beispiele für Clustermodellabfragen

  • Beispiele für Entscheidungsstruktur-Modellabfragen

  • Beispiele für lineare Regressionsmodellabfrage

  • Logistische Regressionsmodell-Abfragebeispiele

  • Beispiele für Naive Bayes-Modellabfrage

  • Neuronale Beispiele für Netzwerkmodellabfragen

  • Sequenzclusteringmodellabfragebeispiele

  • Beispiele für Zeitreihenmodellabfragen|

Related Tasks

Thema	Beschreibung
Bestimmen des von einem Data Mining-Modell verwendeten Algorithmus	Abfragen der Parameter, mit denen ein Miningmodell erstellt wird
Erstellen eines benutzerdefinierten Plug-In-Algorithmus	Plug-In-Algorithmen
Durchsuchen eines Modells mit einem algorithmusspezifischen Viewer	Data Mining-Modell-Viewer
Anzeigen des Inhalts eines Modells unter Verwendung eines generischen Tabellenformats	Durchsuchen eines Modells mit dem Microsoft Generic Content Tree Viewer
Hier erfahren Sie, wie die Daten eingerichtet und Algorithmen zum Erstellen von Modellen verwendet werden	Miningstrukturen (Analysis Services - Data Mining) Miningmodelle (Analysis Services – Data Mining)

Weitere Informationen

Data Mining-Tools