Microsoft Linear Regression-Algorithmus
Der Microsoft Linear Regression-Algorithmus ist eine Variation des Microsoft Decision Trees-Algorithmus, der Ihnen dabei hilft, eine lineare Beziehung zwischen einer abhängigen und einer unabhängigen Variablen zu berechnen und diese zur Vorhersage zu verwenden.
Die Beziehung nimmt die Form einer Formel für eine Linie an, die eine Reihe von Daten am besten darstellt. Die Linie des folgenden Diagramms ist z. B. die bestmögliche lineare Darstellung der Daten.
.gif "Eine Zeile als Modell für eine Datenmenge")
Zu jedem Datenpunkt im Diagramm ist ein Fehler zugeordnet. Dieser wird durch seinen Abstand von der Regressionslinie dargestellt. Die Koeffizienten a und b der Regressionsformel passen den Winkel und den Ort der Regressionslinie an. Sie können die Regressionsformel erhalten, indem Sie die Koeffizienten a und b so anpassen, dass die Summe der Fehler, die allen Punkten zugeordnet sind, den Minimalwert ergibt.
Es gibt andere Arten der Regression, die mehrere Variablen verwenden, sowie nicht lineare Methoden der Regression. Die lineare Regression stellt jedoch eine nützliche und bekannte Methode dar, um eine Antwort auf eine Änderung eines zugrunde liegenden Faktors zu modellieren.
Beispiel
Sie können die lineare Regression verwenden, um eine Beziehung zwischen zwei kontinuierlichen Spalten zu bestimmen. Beispielsweise können Sie die lineare Regression verwenden, um eine Trendlinie aus Produktions- oder Umsatzdaten zu berechnen. Sie können die lineare Regression ebenfalls als Vorstufe für die Entwicklung komplexerer Data Mining-Modelle verwenden, um die Beziehungen zwischen Datenspalten zu bewerten.
Es gibt zahlreiche Möglichkeiten zur Berechnung von linearer Regression, für die keine Data Mining-Tools erforderlich sind. Der Vorteil der Verwendung des Microsoft Linear Regression-Algorithmus für diese Aufgabe liegt darin, dass alle möglichen Beziehungen zwischen den Variablen automatisch berechnet und getestet werden. Sie müssen kein Rechenverfahren festlegen, wie z. B. die Methode der kleinsten Quadrate. Die lineare Regression könnte jedoch die Beziehungen in Szenarios zu stark vereinfachen, in denen das Ergebnis durch mehrere Faktoren beeinflusst wird.
Funktionsweise des Algorithmus
Der Microsoft Linear Regression-Algorithmus ist eine Variation des Microsoft Decision Trees-Algorithmus. Bei Auswahl des Microsoft Linear Regression-Algorithmus wird ein Sonderfall des Microsoft Decision Trees-Algorithmus mit Parametern, die das Verhalten des Algorithmus einschränken und bestimmte Eingabedatentypen erfordern, aufgerufen. Zudem wird das gesamte Dataset in einem linearen Regressionsmodell dazu verwendet, Beziehungen im ersten Durchgang zu berechnen, während ein standardmäßiges Entscheidungsstrukturmodell Daten wiederholt in kleinere Teilmengen oder Strukturen aufteilt.
Erforderliche Daten für lineare Regressionsmodelle
Wenn Sie Daten für die Verwendung in einem linearen Regressionsmodell aufbereiten, müssen Sie sich mit den Anforderungen des jeweiligen Algorithmus vertraut machen. Hierbei müssen Sie auch berücksichtigen, welcher Datenumfang erforderlich ist und wie diese Daten verwendet werden. Für diesen Modelltyp gelten folgende Anforderungen:
Eine einzelne key Spalte Jedes Modell muss eine numerische Spalte oder Textspalte enthalten, die jeden Datensatz eindeutig identifiziert. Verbundschlüssel sind nicht zulässig.
Eine vorhersagbare Spalte Mindestens eine vorhersagbare Spalte ist erforderlich. Sie können mehrere vorhersagbare Attribute in ein Modell aufnehmen, bei denen es sich jedoch um kontinuierliche numerische Datentypen handeln muss. Sie können keinen datetime-Datentyp als vorhersagbares Attribut verwenden, selbst wenn der systemeigene Speicher für die Daten numerisch ist.
Eingabespalten Eingabespalten müssen kontinuierliche numerische Daten enthalten, und ihnen muss der entsprechende Datentyp zugewiesen sein.
Weitere Informationen finden Sie im Abschnitt "Anforderungen" unter Technische Referenz für den Microsoft Linear Regression-Algorithmus.
Anzeigen eines linearen Regressionsmodells
Verwenden Sie den Microsoft Struktur-Viewer, um das Modell zu durchsuchen. Die Baumstruktur eines linearen Regressionsmodells ist sehr einfach. Alle Informationen zur Regressionsformel sind in einem einzelnen Knoten enthalten. Weitere Informationen finden Sie unter Anzeigen eines Miningmodells mit dem Microsoft Struktur-Viewer.
Wenn Sie Näheres über die Formel in Erfahrung bringen möchten, können Sie die Koeffizienten und weitere Details mithilfe des Microsoft Generic Content Tree Viewer anzeigen.
Zum Inhalt eines linearen Regressionsmodells zählen Metadaten, die Regressionsformel und statistische Informationen zur Verteilung der Eingabewerte. Weitere Informationen finden Sie unter Miningmodellinhalt von linearen Regressionsmodellen (Analysis Services – Data Mining).
Erstellen von Vorhersagen
Nachdem das Modell verarbeitet wurde, werden die Ergebnisse als Satz von Statistiken gemeinsam mit der linearen Regressionsformel gespeichert, die Sie zum Berechnen zukünftiger Entwicklungen verwenden können. Beispiele zur Verwendung von Abfragen in Verbindung mit einem linearen Regressionsmodell finden Sie unter Abfragen eines linearen Regressionsmodells (Analysis Services – Data Mining).
Allgemeine Informationen zum Erstellen von Abfragen für Miningmodelle finden Sie unter Abfragen von Data Mining-Modellen (Analysis Services - Data Mining).
Wenn es sich bei dem vorhersagbaren Attribut um einen kontinuierlichen numerischen Datentyp handelt, können Sie neben der Erstellung eines linearen Regressionsmodells durch Auswahl des Microsoft Linear Regression-Algorithmus auch ein Entscheidungsstrukturmodell entwickeln, das Regressionen enthält. In diesem Fall teilt der Algorithmus die Daten, sofern entsprechende Trennpunkte gefunden werden. Für einige Datenbereiche wird jedoch stattdessen eine Regressionsformel erstellt. Weitere Informationen über Regressionsstrukturen innerhalb eines Entscheidungsstrukturmodells finden Sie unter Miningmodellinhalt von Entscheidungsstrukturmodellen (Analysis Services – Data Mining).
Hinweise
Unterstützt nicht die Verwendung von PMML (Predictive Model Markup Language) zum Erstellen von Miningmodellen.
Unterstützt nicht die Erstellung von Data Mining-Dimensionen.
Unterstützt Drillthrough.
Unterstützt die Verwendung von OLAP-Miningmodellen.
Siehe auch