Menelusuri Model Menggunakan Penampil Pohon Microsoft
Berlaku untuk:
SQL Server 2019 dan Analysis Services 
Azure Analysis Services Fabric/Power BI Premium sebelumnya
Penting
Penambangan data tidak digunakan lagi pada SQL Server 2017 Analysis Services dan sekarang dihentikan di SQL Server 2022 Analysis Services. Dokumentasi tidak diperbarui untuk fitur yang tidak digunakan lagi dan dihentikan. Untuk mempelajari selengkapnya, lihat Kompatibilitas mundur Analysis Services.
Microsoft Tree Viewer di Microsoft SQL Server SQL Server Analysis Services menampilkan pohon keputusan yang dibangun dengan algoritma Microsoft Decision Trees. Algoritma Microsoft Decision Trees adalah algoritma pohon keputusan hibrid yang mendukung klasifikasi dan regresi. Oleh karena itu, Anda juga dapat menggunakan penampil ini untuk melihat model berdasarkan algoritma Microsoft Linear Regression. Algoritma Microsoft Decision Trees digunakan untuk pemodelan prediktif atribut diskrit dan berkelanjutan. Untuk informasi selengkapnya tentang algoritma ini, lihat Algoritma Pohon Keputusan Microsoft.
Catatan
Untuk melihat informasi terperinci tentang persamaan yang digunakan dalam model dan pola yang ditemukan, gunakan penampil Pohon Konten Generik Microsoft. Untuk informasi selengkapnya, lihat Menelusuri Model Menggunakan Penampil Pohon Konten Generik Microsoft atau Penampil Pohon Konten Generik Microsoft (Penggalian Data).
Tab Penampil
Saat Anda menelusuri model penambangan di SQL Server Analysis Services, model ditampilkan pada tab Penampil Model Penambangan dari Designer Penggalian Data di penampil yang sesuai untuk model. Microsoft Tree Viewer menyertakan tab dan panel berikut ini:
Pohon Keputusan
Saat Anda membangun model pohon keputusan, SQL Server Analysis Services membangun pohon terpisah untuk setiap atribut yang dapat diprediksi. Anda dapat melihat pohon individual dengan memilihnya dari daftar Pohon pada tab Pohon Keputusan penampil.
Pohon keputusan terdiri dari serangkaian pemisahan, dengan pemisahan yang paling penting, seperti yang ditentukan oleh algoritma, di sebelah kiri penampil di simpul Semua . Pemisahan tambahan terjadi di sebelah kanan. Pemisahan dalam simpul Semua paling penting karena berisi kondisi yang paling kuat yang menyebabkan pemisahan dalam himpunan data, dan karena itu menyebabkan pemisahan pertama.
Anda dapat memperluas atau menciutkan simpul individual di pohon untuk menampilkan atau menyembunyikan pemisahan yang terjadi setelah setiap simpul. Anda juga dapat menggunakan opsi pada tab Pohon Keputusan untuk memengaruhi cara pohon ditampilkan. Gunakan penggelis Perlihatkan Tingkat untuk menyesuaikan jumlah tingkat yang diperlihatkan di pohon. Gunakan Ekspansi Default untuk mengatur jumlah default tingkat yang ditampilkan untuk semua pohon dalam model.
Memprediksi Atribut Diskrit
Saat pohon dibangun dengan atribut yang dapat diprediksi diskrit, penampil menampilkan yang berikut pada setiap simpul di pohon:
Kondisi yang menyebabkan pemisahan.
Histogram yang mewakili distribusi status atribut yang dapat diprediksi, diurutkan berdasarkan popularitas.
Anda dapat menggunakan opsi Histogram untuk mengubah jumlah status yang muncul di histogram di pohon. Ini berguna jika atribut yang dapat diprediksi memiliki banyak status. Status muncul dalam histogram dalam urutan popularitas dari kiri ke kanan; jika jumlah status yang Anda pilih untuk ditampilkan kurang dari jumlah total status dalam atribut, status paling tidak populer ditampilkan secara kolektif dalam warna abu-abu. Untuk melihat jumlah yang tepat untuk setiap status untuk simpul, jeda penunjuk di atas simpul untuk melihat InfoTip, atau pilih simpul untuk melihat detailnya di Legenda Penambangan.
Warna latar belakang setiap simpul mewakili konsentrasi kasus status atribut tertentu yang Anda pilih dengan menggunakan opsi Latar Belakang . Anda dapat menggunakan opsi ini untuk menyoroti simpul yang berisi target tertentu di mana Anda tertarik.
Memprediksi Atribut Berkelanjutan
Saat pohon dibangun dengan atribut yang dapat diprediksi berkelanjutan, penampil menampilkan bagan berlian, bukan histogram, untuk setiap simpul di pohon. Bagan berlian memiliki garis yang mewakili rentang atribut. Berlian terletak di rata-rata untuk simpul, dan lebar berlian mewakili varian atribut pada node tersebut. Berlian yang lebih tipis menunjukkan bahwa simpul dapat membuat prediksi yang lebih akurat. Penampil juga menampilkan persamaan regresi, yang digunakan untuk menentukan pemisahan dalam simpul.
Opsi Tampilan Pohon Keputusan Tambahan
Saat penelusuran diaktifkan untuk model pohon keputusan, Anda dapat mengakses kasus pelatihan yang mendukung simpul dengan mengklik kanan simpul di pohon dan memilih Telusuri Paling Detail. Anda dapat mengaktifkan penelusuran dalam Panduan Penggalian Data, atau dengan menyesuaikan penelusuran properti pada model penambangan di tab Model Penambangan .
Anda dapat menggunakan opsi zoom pada tab Pohon Keputusan untuk memperbesar atau memperkecil pohon, atau menggunakan Ukuran agar Pas agar pas dengan seluruh model di layar penampil. Jika pohon terlalu besar untuk diukur agar pas dengan layar, Anda dapat menggunakan opsi Navigasiuntuk menavigasi melalui pohon. Mengklik Navigasi akan membuka jendela navigasi terpisah yang bisa Anda gunakan untuk memilih bagian model yang akan ditampilkan.
Anda juga dapat menyalin gambar tampilan pohon ke Clipboard, sehingga Anda dapat menempelkannya ke dokumen atau ke perangkat lunak manipulasi gambar. Gunakan Salin Tampilan Grafik untuk menyalin hanya bagian pohon yang terlihat di penampil, atau gunakan Salin Seluruh Grafik untuk menyalin semua simpul yang diperluas di pohon.
Jaringan Dependensi
Jaringan Dependensi menampilkan dependensi antara atribut input dan atribut yang dapat diprediksi dalam model. Penggeser di sebelah kiri penampil bertindak sebagai filter yang terkait dengan kekuatan dependensi. Jika Anda menurunkan slider, hanya tautan terkuat yang ditampilkan di penampil.
Saat Anda memilih simpul, penampil menyoroti dependensi yang khusus untuk simpul. Misalnya, jika Anda memilih simpul yang dapat diprediksi, penampil juga menyoroti setiap simpul yang membantu memprediksi simpul yang dapat diprediksi.
Jika penampil berisi banyak simpul, Anda dapat mencari simpul tertentu dengan menggunakan tombol Temukan Simpul . Mengklik Temukan Simpul akan membuka kotak dialog Temukan Simpul , di mana Anda bisa menggunakan filter untuk mencari dan memilih simpul tertentu.
Legenda di bagian bawah penampil menautkan kode warna ke jenis dependensi dalam grafik. Misalnya, ketika Anda memilih simpul yang dapat diprediksi, simpul yang dapat diprediksi berbayang pirus, dan simpul yang memprediksi simpul yang dipilih berwarna oranye.
Legenda Pertambangan
Legenda Penambangan menampilkan informasi berikut saat Anda memilih simpul dalam model pohon keputusan:
Jumlah kasus dalam simpul, dipecah berdasarkan status atribut yang dapat diprediksi.
Probabilitas setiap kasus atribut yang dapat diprediksi untuk simpul.
Histogram yang menyertakan hitungan untuk setiap status atribut yang dapat diprediksi.
Kondisi yang diperlukan untuk mencapai simpul tertentu, juga dikenal sebagai jalur simpul.
Untuk model regresi linier, rumus regresi.
Anda dapat merapat dan bekerja dengan Legenda Pertambangan dengan cara yang sama seperti dengan Penjelajah Solusi.
Lihat juga
Algoritma Pohon Keputusan Microsoft
Penampil Model Penambangan (Model Penggalian Data Designer)
Tugas dan Cara Menambang Penampil Model
Alat Penggalian Data
Penampil Model Penggalian Data