Kueri Penggalian Data
Berlaku untuk:
SQL Server 2019 dan Analysis Services 
Azure Analysis Services Fabric/Power BI Premium sebelumnya
Penting
Penambangan data tidak digunakan lagi di 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.
Kueri penggalian data berguna untuk banyak tujuan. Anda dapat:
Terapkan model ke data baru, untuk membuat satu atau beberapa prediksi. Anda dapat memberikan nilai input sebagai parameter, atau dalam batch.
Dapatkan ringkasan statistik data yang digunakan untuk pelatihan.
Ekstrak pola dan aturan, atau hasilkan profil kasus umum yang mewakili pola dalam model.
Ekstrak rumus regresi dan perhitungan lain yang menjelaskan pola.
Dapatkan kasus yang sesuai dengan pola tertentu.
Ambil detail tentang kasus individual yang digunakan dalam model, termasuk data yang tidak digunakan dalam analisis.
Melatih kembali model dengan menambahkan data baru, atau melakukan prediksi silang.
Bagian ini memberikan gambaran umum tentang informasi yang Anda butuhkan untuk mulai menggunakan kueri penggalian data. Ini menjelaskan jenis kueri yang dapat Anda buat terhadap objek penggalian data, memperkenalkan alat kueri dan bahasa kueri, dan menyediakan tautan ke contoh kueri yang dapat Anda buat terhadap model yang dibangun menggunakan algoritma yang disediakan di SQL Server Data Mining.
Memahami Kueri Penggalian Data
Kueri untuk Berbagai Jenis Model
Memahami Kueri Penggalian Data
SQL Server Analysis Services Data Mining mendukung jenis kueri berikut:
Kueri Prediksi (Penggalian Data)
Kueri yang membuat inferensi berdasarkan pola dalam model, dan dari data input.
Kueri Konten (Penggalian Data)
Kueri yang mengembalikan metadata, statistik, dan informasi lain tentang model itu sendiri.
Kueri Penelusuran (Penggalian Data)
Kueri yang dapat mengambil data kasus yang mendasari untuk model, atau bahkan data dari struktur yang tidak digunakan dalam model.
Kueri Definisi Data (Penggalian Data)
Kueri yang tidak mengembalikan informasi dari model, melainkan digunakan untuk membangun model dan struktur atau untuk memperbarui data dalam model atau struktur.
Sebelum Anda membuat kueri, kami sarankan Anda membiasakan diri dengan perbedaan antara model yang dibuat dengan setiap algoritma penggalian data yang disediakan oleh SQL Server.
Telusuri dan jelajahi setiap jenis model dengan menggunakan penampil penambangan data kustom yang disediakan untuk setiap jenis algoritma. Untuk informasi selengkapnya, lihat Tugas Penampil Model Penggalian dan Panduan.
Tinjau konten model untuk setiap jenis model, dengan menggunakan Penampil Pohon Konten Generik Microsoft. Untuk menginterpretasikan informasi ini, lihat Konten Model Penambangan (Analysis Services - Penggalian Data).
Alat dan Antarmuka Kueri
Anda dapat membuat kueri penggalian data secara interaktif dengan menggunakan salah satu alat kueri yang disediakan oleh SQL Server. Penyusun Kueri Prediksi grafis disediakan di SQL Server Data Tools dan SQL Server Management Studio. Jika Anda belum menggunakan Penyusun Kueri Prediksi sebelumnya, kami sarankan Anda mengikuti langkah-langkah dalam Tutorial Penggalian Data Dasar untuk membiasakan diri dengan antarmuka. Untuk gambaran umum cepat q tentang langkah-langkah tersebut, lihat Membuat Kueri menggunakan Buat Kueri Prediksi Menggunakan Penyusun Kueri Prediksi.
Penyusun Kueri Prediksi sangat membantu untuk memulai kueri yang akan Anda kustomisasi nanti. Anda dapat dengan mudah menambahkan sumber data dan memetakannya ke kolom, lalu beralih ke tampilan DMX dan mengkustomisasi kueri dengan menambahkan klausa WHERE atau fungsi lainnya.
Setelah Anda terbiasa dengan model penggalian data dan cara membuat kueri, Anda juga dapat menulis kueri secara langsung dengan menggunakan Ekstensi Penggalian Data (DMX). DMX adalah bahasa kueri yang mirip dengan Transact-SQL, dan dapat Anda gunakan dari berbagai klien. DMX adalah alat pilihan untuk membuat prediksi kustom dan kueri yang kompleks. Untuk pengenalan DMX, lihat Membuat dan Mengkueri Model Penggalian Data dengan DMX: Tutorial (Analysis Services - Data Mining).
Editor DMX disediakan dalam SQL Server Data Tools dan SQL Server Management Studio. Anda juga bisa menggunakan Penyusun Kueri Prediksi untuk memulai kueri Anda, lalu mengubah tampilan ke editor teks dan menyalin pernyataan DMX ke klien lain. Untuk informasi selengkapnya, lihat Alat Kueri Penggalian Data.
Anda dapat menyusun pernyataan DMX secara terprogram dan mengirimkannya dari klien Anda ke server SQL Server Analysis Services dengan menggunakan AMO atau XMLA. Namun, DMX adalah bahasa yang harus Anda gunakan untuk membuat kueri terhadap model penambangan.
Anda juga dapat mengkueri metadata, statistik, dan beberapa konten model dengan menggunakan Tampilan Manajemen Dinamis (DMV) yang didasarkan pada himpunan baris skema penambangan data. DMV ini memudahkan untuk mengambil informasi tentang model dengan mengetik pernyataan SELECT; namun, Anda tidak dapat membuat prediksi. Untuk informasi selengkapnya tentang DMV yang didukung oleh SQL Server Analysis Services, lihat Menggunakan Tampilan Manajemen Dinamis (DMV) untuk Memantau Analysis Services.
Terakhir, Anda dapat membuat kueri penggalian data untuk digunakan dalam paket Layanan Integrasi, dengan menggunakan Tugas Kueri Penggalian Data, atau Transformasi Kueri Penggalian Data. Tugas alur kontrol mendukung beberapa jenis kueri DMX, sedangkan transformasi aliran data hanya mendukung kueri yang berfungsi dengan data dalam aliran data, yang berarti kueri yang menggunakan sintaks PREDICTION JOIN.
Kueri untuk Berbagai Jenis Model
Algoritma yang digunakan saat model dibuat sangat memengaruhi jenis informasi yang bisa Anda dapatkan dari kueri penggalian data. Alasan perbedaannya adalah bahwa setiap algoritma memproses data dengan cara yang berbeda, dan menyimpan berbagai jenis pola. Misalnya, beberapa algoritma membuat kluster; yang lain menciptakan pohon. Oleh karena itu, Anda mungkin perlu menggunakan fungsi prediksi dan kueri khusus, tergantung pada jenis model yang sedang Anda kerjakan.
Daftar berikut ini menyediakan ringkasan fungsi yang bisa Anda gunakan dalam kueri:
Fungsi prediksi umum: Fungsi Predict adalah polimorfik, yang berarti berfungsi dengan semua jenis model. Fungsi ini akan secara otomatis mendeteksi jenis model yang sedang Anda kerjakan dan meminta parameter tambahan kepada Anda. Untuk informasi selengkapnya, lihat Memprediksi (DMX).
Peringatan
Tidak semua model digunakan untuk membuat prediksi. Misalnya, Anda dapat membuat model pengklusteran yang tidak memiliki atribut yang dapat diprediksi. Namun, bahkan jika model tidak memiliki atribut yang dapat diprediksi, Anda dapat membuat kueri prediksi yang mengembalikan jenis informasi berguna lainnya dari model.
Fungsi prediksi kustom: Setiap jenis model menyediakan serangkaian fungsi prediksi yang dirancang untuk bekerja dengan pola yang dibuat oleh algoritma tersebut.
Misalnya, fungsi Jeda disediakan untuk model rangkaian waktu, untuk memungkinkan Anda melihat data historis yang digunakan untuk model. Untuk model pengklusteran, fungsi seperti ClusterDistance lebih bermakna.
Untuk informasi selengkapnya tentang fungsi yang didukung untuk setiap jenis model, lihat tautan berikut:
Anda juga dapat memanggil fungsi VBA, atau membuat fungsi Anda sendiri. Untuk informasi selengkapnya, lihat Functions (DMX).
Statistik umum: Ada sejumlah fungsi yang dapat digunakan dengan hampir semua jenis model, yang mengembalikan serangkaian statistik deskriptif standar, seperti simpangan baku.
Misalnya, fungsi PredictHistogram mengembalikan tabel yang mencantumkan semua status kolom yang ditentukan.
Untuk informasi selengkapnya, lihat Fungsi Prediksi Umum (DMX).
Statistik kustom: Fungsi pendukung tambahan disediakan untuk setiap jenis model, untuk menghasilkan statistik yang relevan dengan tugas analitik tertentu.
Misalnya, saat Anda bekerja dengan model pengklusteran, Anda dapat menggunakan fungsi , PredictCaseLikelihood, untuk mengembalikan skor kemungkinan yang terkait dengan kasus dan kluster tertentu. Namun, jika Anda membuat model regresi linier, Anda akan lebih tertarik untuk mengambil koefisien dan intersepsi, yang dapat Anda lakukan menggunakan kueri konten.
Fungsi konten model:Konten semua model diwakili dalam format standar yang memungkinkan Anda mengambil informasi dengan kueri sederhana. Anda membuat kueri pada konten model dengan menggunakan DMX. Anda juga bisa mendapatkan beberapa jenis konten model dengan menggunakan himpunan baris skema penggalian data.
Dalam konten model, arti setiap baris atau simpul tabel yang dikembalikan berbeda tergantung pada jenis algoritma yang digunakan untuk membangun model, serta jenis data kolom. Untuk informasi selengkapnya, lihat Kueri Konten (Penggalian Data).
Persyaratan
Sebelum Anda dapat membuat kueri terhadap model, model penggalian data harus telah diproses. Pemrosesan objek SQL Server Analysis Services memerlukan izin khusus. Untuk informasi selengkapnya tentang memproses model penambangan, lihat Persyaratan dan Pertimbangan Pemrosesan (Penggalian Data).
Untuk menjalankan kueri terhadap model penggalian data memerlukan tingkat izin yang berbeda, bergantung pada jenis kueri yang Anda jalankan. Misalnya, penelusuran untuk data kasus atau struktur biasanya memerlukan izin tambahan yang dapat diatur pada objek struktur penambangan atau objek model penambangan.
Namun, jika kueri Anda menggunakan data eksternal, dan menyertakan pernyataan seperti OPENROWSET atau OPENQUERY, database yang Anda kueri harus mengaktifkan pernyataan ini, dan Anda harus memiliki izin pada objek database yang mendasar.
Untuk informasi selengkapnya tentang konteks keamanan yang diperlukan untuk menjalankan kueri penggalian data, lihat Gambaran Umum Keamanan (Penggalian Data)
Di Bagian Ini
Topik di bagian ini memperkenalkan setiap jenis kueri penggalian data secara lebih rinci, dan menyediakan tautan ke contoh terperinci tentang cara membuat kueri terhadap model mingin data.
Kueri Prediksi (Penggalian Data)
Kueri Konten (Penggalian Data)
Kueri Penelusuran (Penggalian Data)
Kueri Definisi Data (Penggalian Data)
Tugas Terkait
Gunakan tautan ini untuk mempelajari cara membuat dan bekerja dengan kueri penggalian data.
Lihat juga
Algoritma Penggalian Data (Analysis Services - Penggalian Data)
Konten Model Penambangan (Analysis Services - Penggalian Data)
Saran dan Komentar
Segera hadir: Sepanjang tahun 2024 kami akan menghentikan penggunaan GitHub Issues sebagai mekanisme umpan balik untuk konten dan menggantinya dengan sistem umpan balik baru. Untuk mengetahui informasi selengkapnya, lihat: https://aka.ms/ContentUserFeedback.
Kirim dan lihat umpan balik untuk