Microsoft Neural Network Algorithm

In SQL Server Analysis Services kombiniert der Microsoft Neural Network-Algorithmus jeden möglichen Zustand des Eingabeattributes mit jedem möglichen Zustand des vorhersagbaren Attributs und verwendet die Schulungsdaten zum Berechnen von Wahrscheinlichkeiten. Sie können diese Wahrscheinlichkeiten später für die Klassifizierung oder Regression verwenden und ein Ergebnis des vorhergesagten Attributs basierend auf den Eingabeattributen vorhersagen.

Ein Miningmodell, das mit dem Microsoft Neural Network-Algorithmus erstellt wird, kann mehrere Netzwerke enthalten, abhängig von der Anzahl der Spalten, die sowohl für Eingaben als auch für Vorhersage verwendet werden, oder die nur für die Vorhersage verwendet werden. Die Anzahl der Netzwerke, die ein einzelnes Miningmodell enthält, hängt von der Anzahl der Zustände ab, die in den Eingabespalten und vorhersagbaren Spalten enthalten sind, die vom Miningmodell verwendet werden.

Beispiel

Der Microsoft Neural Network-Algorithmus ist nützlich für die Analyse komplexer Eingabedaten, z. B. aus einem Herstellungsprozess oder einem kommerziellen Prozess, oder Geschäftsproblemen, für die eine erhebliche Menge an Schulungsdaten verfügbar ist, aber für welche Regeln nicht einfach mithilfe anderer Algorithmen abgeleitet werden können.

Die vorgeschlagenen Szenarien für die Verwendung des Microsoft Neural Network-Algorithmus umfassen Folgendes:

• Marketing- und Promotion-Analyse, z. B. Messung des Erfolgs einer Direktsendung oder einer Radiowerbungskampagne.

• Vorhersagen von Kursbewegungen, Währungsschwankungen oder anderen stark flüssigen Finanzinformationen aus historischen Daten.

• Analyse von Fertigungs- und Industrieprozessen.

• Text-Mining.

• Jedes Vorhersagemodell, das komplexe Beziehungen zwischen vielen Eingaben und relativ weniger Ausgaben analysiert.

Funktionsweise des Algorithmus

Der Microsoft Neural Network-Algorithmus erstellt ein Netzwerk, das aus bis zu drei Ebenen von Neuronen besteht. Diese Ebenen sind eine Eingabeebene, eine optionale ausgeblendete Ebene und eine Ausgabeebene.

Eingabeebene: Eingabe-Neuronen definieren alle Eingabeattributewerte für das Data Mining-Modell und deren Wahrscheinlichkeiten.

Verdeckte Schicht: Verdeckte Neuronen empfangen Eingaben von Eingabeneuronen und liefern Ausgaben an Ausgabeneuronen. Die ausgeblendete Ebene ist der Ort, an dem die verschiedenen Wahrscheinlichkeiten der Eingaben Gewichtungen zugewiesen werden. Eine Gewichtung beschreibt die Relevanz oder Wichtigkeit einer bestimmten Eingabe für das ausgeblendete Neuron. Je größer die Gewichtung, die einer Eingabe zugewiesen wird, desto wichtiger ist der Wert dieser Eingabe. Gewichtungen können negativ sein, was bedeutet, dass die Eingabe ein bestimmtes Ergebnis hemmen kann, anstatt es zu bevorzugen.

Ausgabeebene: Ausgabe-Neuronen stellen vorhersagbare Attributwerte für das Data Mining-Modell dar.

Eine ausführliche Erläuterung dazu, wie die Eingabe-, versteckten und Ausgabeebenen erstellt und bewertet werden, finden Sie in der technischen Referenz zum Microsoft Neural Network Algorithm.

Für neurale Netzwerkmodelle erforderliche Daten

Ein neurales Netzwerkmodell muss eine Schlüsselspalte, eine oder mehrere Eingabespalten und mindestens eine vorhersagbare Spalte enthalten.

Data Mining-Modelle, die den Microsoft Neural Network-Algorithmus verwenden, werden stark von den Werten beeinflusst, die Sie für die Parameter angeben, die für den Algorithmus verfügbar sind. Die Parameter definieren, wie Daten in einer Stichprobe erfasst werden, wie Daten verteilt oder in jeder Spalte verteilt werden sollen, und wann die Featureauswahl aufgerufen wird, um die Werte einzuschränken, die im endgültigen Modell verwendet werden.

Weitere Informationen zum Festlegen von Parametern zum Anpassen des Modellverhaltens finden Sie in der technischen Referenz zum Microsoft Neural Network Algorithm.

Anzeigen eines neuralen Netzwerkmodells

Um mit den Daten zu arbeiten und zu sehen, wie das Modell Eingaben mit Ausgaben korreliert, können Sie den Microsoft Neural Network Viewer verwenden. Mit diesem benutzerdefinierten Viewer können Sie nach Eingabeattributen und deren Werten filtern und Diagramme anzeigen, die zeigen, wie sie sich auf die Ausgaben auswirken. Die QuickInfos im Viewer zeigen Ihnen die Wahrscheinlichkeit und die Hebung, die jedem Eingabe- und Ausgabewertpaar zugeordnet sind. Weitere Informationen finden Sie unter Durchsuchen eines Modells mithilfe des Microsoft Neural Network Viewers.

Die einfachste Möglichkeit, die Struktur des Modells zu erkunden, besteht darin, den Microsoft Generic Content Tree Viewer zu verwenden. Sie können die Eingaben, Ausgaben und Netzwerke anzeigen, die vom Modell erstellt wurden, und auf einen beliebigen Knoten klicken, um ihn zu erweitern und Statistiken zu den Eingabe-, Ausgabe- oder ausgeblendeten Layerknoten anzuzeigen. Weitere Informationen finden Sie unter Durchsuchen eines Modells mithilfe der Microsoft Generic Content Tree Viewer.

Erstellen von Vorhersagen

Nachdem das Modell verarbeitet wurde, können Sie das Netzwerk und die in den einzelnen Knoten gespeicherten Gewichtungen verwenden, um Vorhersagen zu treffen. Ein neurales Netzwerkmodell unterstützt Regressions-, Zuordnungs- und Klassifizierungsanalysen. Daher kann die Bedeutung jeder Vorhersage unterschiedlich sein. Sie können auch das Modell selbst abfragen, um die Korrelationen zu überprüfen, die gefunden wurden, und verwandte Statistiken abzurufen. Beispiele zum Erstellen von Abfragen für ein neurales Netzwerkmodell finden Sie unter Neural Network Model Query Examples.

Allgemeine Informationen zum Erstellen einer Abfrage für ein Data Mining-Modell finden Sie unter Data Mining-Abfragen.

Bemerkungen

• Unterstützt keine Drillthrough- oder Data Mining-Dimensionen. Dies liegt daran, dass die Struktur der Knoten im Miningmodell nicht unbedingt direkt den zugrunde liegenden Daten entspricht.

• Unterstützt nicht die Erstellung von Modellen im PMML-Format (Predictive Model Markup Language).

• Unterstützt die Verwendung von OLAP-Miningmodellen.

• Unterstützt nicht die Erstellung von Data Mining-Dimensionen.

Siehe auch

Technische Referenz zum Microsoft Neural Network Algorithm
Inhalt des Miningmodells für neuronale Netzwerkmodelle (Analysis Services - Data Mining)
Beispiele für neurale Netzwerkmodellabfragen
Microsoft Logistic Regression Algorithm