ALTER MINING STRUCTURE (DMX)
Erstellt ein neues Miningmodell, das auf einer vorhandenen Miningstruktur basiert. Wenn Sie die ALTER MINING STRUCTURE-Anweisung für ein neues Miningmodell verwenden, muss die Struktur bereits vorhanden sein. Wenn Sie hingegen die CREATE MINING MODEL (DMX)-Anweisung verwenden, erstellen Sie ein Modell und generieren gleichzeitig automatisch die zugrunde liegende Struktur.
Syntax
ALTER MINING STRUCTURE <structure>
ADD MINING MODEL <model>
(
<column definition list>
[(<nested column definition list>) [WITH FILTER (<nested filter criteria>)]]
)
USING <algorithm> [(<parameter list>)]
[WITH DRILLTHROUGH]
[,FILTER(<filter criteria>)]
Argumente
structure
Der Name der Miningstruktur, der das Miningmodell hinzugefügt wird.model
Ein eindeutiger Name für das Miningmodell.column definition list
Eine durch Trennzeichen getrennte Liste mit Spaltendefinitionen.nested column definition list
Eine durch Trennzeichen getrennte Liste der Spalten einer geschachtelten Tabelle, falls zutreffend.nested filter criteria
Ein Filterausdruck, der für die Spalten in einer geschachtelten Tabelle übernommen wird.algorithm
Der Name eines Data Mining-Algorithmus, der vom Anbieter definiert wurde.Hinweis Eine Liste der Algorithmen, die vom aktuellen Anbieter unterstützt werden, kann mit DMSCHEMA_MINING_SERVICES-Rowset abgerufen werden. Informationen zum Anzeigen der in der aktuellen Instanz von Analysis Services unterstützten Algorithmen finden Sie unter Data Mining-Eigenschaften.
parameter list
Optional. Eine durch Trennzeichen getrennte Liste mit anbieterdefinierten Parametern für den Algorithmus.filter criteria
Ein Filterausdruck, der für die Spalten in der Falltabelle übernommen wird.
Hinweise
Wenn die Miningstruktur zusammengesetzte Schlüssel enthält, muss das Miningmodell alle Schlüsselspalten einschließen, die in der Struktur definiert sind.
Wenn für das Modell keine vorhersagbare Spalte erforderlich ist (z. B. bei Modellen, die mit dem Microsoft Clustering- oder dem Microsoft Sequence Clustering-Algorithmus erstellt wurden), müssen Sie in der Anweisung keine Spaltendefinition einschließen. Alle Attribute in dem sich ergebenden Modell werden als Eingaben behandelt.
In der WITH-Klausel, die auf die Falltabelle angewendet wird, können Sie Optionen sowohl für das Filtern als auch für den Drillthrough angeben:
Fügen Sie das FILTER-Schlüsselwort und eine Filterbedingung hinzu. Der Filter wird auf die Fälle im Miningmodell angewendet.
Fügen Sie das DRILLTHROUGH-Schlüsselwort hinzu, damit Benutzer des Miningmodells einen Drilldown von den Modellergebnissen in die Falldaten durchführen können. In Data Mining-Erweiterungen (DMX) können Sie Drillthrough nur beim Erstellen des Modells aktivieren.
Um sowohl das Filtern als auch Drillthrough zu verwenden, kombinieren Sie die Schlüsselwörter zu einer einzigen WITH-Klausel, indem Sie die im folgenden Beispiel gezeigte Syntax verwenden:
WITH DRILLTHROUGH, FILTER(Gender = 'Male')
Spaltendefinitionsliste (Column Definition List)
Sie definieren die Struktur eines Modells, indem Sie eine Spaltendefinitionsliste angeben, die die folgenden Informationen für jede Spalte enthält:
Name (obligatorisch)
Alias (optional)
Modellierungsflags
Vorhersageanforderung, die für den Algorithmus anzeigt, ob die Spalte einen vorhersagbaren Wert enthält. Die Angabe erfolgt durch die PREDICT- oder die PREDICT_ONLY-Klausel
Verwenden Sie die folgende Syntax für die Spaltendefinitionsliste, wenn Sie eine einzelne Spalte definieren möchten:
<structure column name> [AS <model column name>] [<modeling flags>] [<prediction>]
Spaltenname und Alias
Der Spaltenname, den Sie in der Spaltendefinitionsliste verwenden, muss mit dem in der Miningstruktur verwendeten Spaltennamen identisch sein. Sie können jedoch optional einen Alias definieren, um die Strukturspalte im Miningmodell darzustellen. Außerdem können Sie mehrere Spaltendefinitionen für dieselbe Strukturspalte erstellen und jeder Kopie der Spalte einen anderen Alias und eine andere Vorhersageverwendung zuweisen. Standardmäßig wird der Name der Strukturspalte verwendet, falls Sie keinen Alias definieren. Weitere Informationen finden Sie unter Erstellen eines Alias für eine Modellspalte.
Für Spalten geschachtelter Tabellen geben Sie den Namen der entsprechenden Tabelle an, legen für den Datentyp TABLE fest und geben dann die Liste der geschachtelten Spalten für das Modell, in Klammern gesetzt, an.
Sie können einen Filterausdruck definieren, der auf die geschachtelte Tabelle angewendet wird, indem Sie nach der Definition für die Spalte der geschachtelten Tabelle einen Filterkriterienausdruck anhängen.
Modellierungsflags
Analysis Services unterstützt die folgenden Modellierungsflags zur Verwendung in Miningmodellspalten:
Hinweis |
---|
Das NOT NULL-Modellierungsflag gilt für die Miningstrukturspalte. Weitere Informationen finden Sie unter CREATE MINING STRUCTURE (DMX). |
Ausdruck |
Definition |
REGRESSOR |
Zeigt an, dass der Algorithmus die angegebene Spalte in der Regressionsformel von Regressionsalgorithmen verwenden kann. |
MODEL_EXISTENCE_ONLY |
Gibt an, dass die Werte für die Attributspalte weniger wichtig sind als das Vorhandensein der Attribute. |
Sie können mehrere Modellierungsflags für eine Spalte definieren. Weitere Informationen zur Verwendung von Modellierungsflags finden Sie unter Modellierungsflags (DMX).
Vorhersageklausel
Die Vorhersageklausel beschreibt, wie die Vorhersagespalte verwendet wird. In der folgenden Tabelle sind die möglichen Klauseln aufgelistet.
PREDICT |
Diese Spalte kann vom Modell vorhergesagt werden, und ihre Werte können als Eingabe verwendet werden, um den Wert anderer vorhersagbarer Spalten vorherzusagen. |
PREDICT_ONLY |
Diese Spalte kann vom Modell vorhergesagt werden, aber ihre Werte können in Eingabefällen nicht dazu verwendet werden, den Wert anderer vorhersagbarer Spalten vorherzusagen. |
Filterkriterienausdrücke
Sie können einen Filter definieren, der die im Miningmodell verwendeten Fälle einschränkt. Der Filter kann auf die Spalten der Falltabelle, auf die Zeilen der geschachtelten Tabelle oder auf beides angewendet werden.
Filterkriterienausdrücke sind vereinfachte DMX-Prädikate und ähneln einer WHERE-Klausel. Filterausdrücke werden auf Formeln reduziert, die grundlegende mathematische Operatoren, Skalare und Spaltennamen verwenden. Eine Ausnahme bildet der EXISTS-Operator. Seine Auswertung ergibt TRUE, wenn mindestens eine Zeile für die Unterabfrage zurückgegeben wird. Prädikate können mit den allgemeinen logischen Operatoren kombiniert werden: AND, OR und NOT.
Weitere Informationen zu Filtern, die mit Miningmodellen verwendet werden, finden Sie unter Filter für Miningmodelle (Analysis Services – Data Mining).
Hinweis |
---|
Spalten in einem Filter müssen Miningstrukturspalten sein. Sie können keinen Filter für eine Modellspalte oder eine Spalte mit einem Alias erstellen. |
Weitere Informationen zu DMX-Operatoren und Syntax finden Sie unter Miningmodellspalten.
Parameterdefinitionsliste (Parameter Definition List)
Durch Hinzufügen von Algorithmusparametern zur Parameterliste können Sie die Leistung und die Funktionsweise eines Modells anpassen. Die Parameter, die Sie verwenden können, hängen vom Algorithmus ab, den Sie in der USING-Klausel angeben. Eine Liste der Parameter, die jedem Algorithmus zugeordnet sind, finden Sie unter Data Mining-Algorithmen (Analysis Services - Data Mining).
Die Syntax der Parameterliste sieht wie folgt aus:
[<parameter> = <value>, <parameter> = <value>,…]
Beispiel 1: Hinzufügen eines Modells zu einer Struktur
Im folgenden Beispiel wird ein Naive Bayes-Miningmodell zur New Mailing-Miningstruktur hinzugefügt und die maximale Anzahl der Attributstatus auf 50 beschränkt.
ALTER MINING STRUCTURE [New Mailing]
ADD MINING MODEL [Naive Bayes]
(
CustomerKey,
Gender,
[Number Cars Owned],
[Bike Buyer] PREDICT
)
USING Microsoft_Naive_Bayes (MAXIMUM_STATES = 50)
Beispiel 2: Hinzufügen eines gefilterten Modells zu einer Struktur
Im folgenden Beispiel wird ein Miningmodell, Naive Bayes Women, zur New Mailing-Miningstruktur hinzugefügt. Das neue Modell verfügt über dieselbe grundlegende Struktur wie das Miningmodell, das in Beispiel 1 hinzugefügt wurde. Dieses Modell beschränkt die Fälle aus der Miningstruktur allerdings auf weibliche Kunden über 50 Jahre.
ALTER MINING STRUCTURE [New Mailing]
ADD MINING MODEL [Naive Bayes Women]
(
CustomerKey,
Gender,
[Number Cars Owned],
[Bike Buyer] PREDICT
)
USING Microsoft_Naive_Bayes
WITH FILTER([Gender] = 'F' AND [Age] >50)
Beispiel 3: Hinzufügen eines gefilterten Modells zu einer Struktur mit einer geschachtelten Tabelle
Im folgenden Beispiel wird ein Miningmodell einer geänderten Version der Warenkorbminingstruktur hinzugefügt. Die in dem Beispiel verwendete Miningstruktur wurde geändert, und es wurde die Spalte Region hinzugefügt, die Attribute für die Kundenregion enthält, sowie die Spalte Income Group. In dieser Spalte wird das Kundeneinkommen anhand der Werte High, Moderate und Low in Kategorien eingeteilt.
Die Miningstruktur schließt auch eine geschachtelte Tabelle ein, in der die Elemente, die der Kunde gekauft hat, aufgelistet werden.
Da die Miningstruktur eine geschachtelte Tabelle enthält, können Sie einen Filter auf die Falltabelle, die geschachtelte Tabelle oder beides anwenden. In diesem Beispiel werden ein Fallfilter und ein geschachtelter Zeilenfilter kombiniert, um die Fälle auf wohlhabende europäische Kunden zu beschränken, die eines der "Road"-Reifenmodelle gekauft haben.
ALTER MINING STRUCTURE [Market Basket with Region and Income]
ADD MINING MODEL [Decision Trees]
(
CustomerKey,
Region,
[Income Group],
[Product] PREDICT (Model)
WITH FILTER (EXISTS (SELECT * FROM [v Assoc Seq Line Items] WHERE
[Model] = 'HL Road Tire' OR
[Model] = 'LL Road Tire' OR
[Model] = 'ML Road Tire' )
)
) WITH FILTER ([Income Group] = 'High' AND [Region] = 'Europe')
USING Microsoft_Decision Trees
Siehe auch
Verweis
Data Mining-Erweiterungen (DMX) - Datendefinitionsanweisungen
Data Mining-Erweiterungen (DMX) - Datenbearbeitungsanweisungen