Notatka
Dostęp do tej strony wymaga autoryzacji. Może spróbować zalogować się lub zmienić katalogi.
Dostęp do tej strony wymaga autoryzacji. Możesz spróbować zmienić katalogi.
Dotyczy:
SQL Server 2019 i starsze usługi Analysis Services 
Azure Analysis Services Fabric/Power BI Premium
Ważne
Funkcja wyszukiwania danych została uznana za przestarzałą w usługach SQL Server 2017 Analysis Services i została zakończona w usługach SQL Server 2022 Analysis Services. Dokumentacja nie jest aktualizowana dla przestarzałych i wycofanych funkcji. Aby dowiedzieć się więcej, zobacz zgodność z poprzednimi wersjami usług Analysis Services.
Podczas tworzenia zapytania względem modelu wyszukiwania danych można pobrać metadane dotyczące modelu lub utworzyć zapytanie zawartości zawierające szczegółowe informacje o wzorcach odnalezionych w analizie. Alternatywnie można utworzyć zapytanie przewidywania, które używa wzorców w modelu do przewidywania nowych danych. Każdy typ zapytania zawiera różne informacje. Na przykład zapytanie zawartości może dostarczyć więcej szczegółów na temat klastrów znalezionych przez analizę, natomiast zapytanie przewidywania może poinformować, do którego klastra prawdopodobnie należy nowy punkt danych.
W tej sekcji opisano sposób tworzenia zapytań dla modeli opartych na algorytmie klastrowania firmy Microsoft.
Zapytania dotyczące zawartości
Pobieranie metadanych modelu przy użyciu narzędzia DMX
Pobieranie metadanych modelu z zestawu wierszy schematu
Zwracanie klastra lub listy klastrów
Zwracanie profilu klastra przy użyciu systemowych procedur składowanych
Znajdowanie czynników dyskryminujących dla klastra
Zwracanie przypadków należących do klastra
Zapytania przewidywania
Przewidywanie wyników z modelu klastrowania
Określanie członkostwa w klastrze
Zwracanie wszystkich możliwych klastrów z prawdopodobieństwem i odległością
Znajdowanie informacji o modelu
Wszystkie modele wyszukiwania uwidaczniają zawartość poznaną przez algorytm zgodnie ze standardowym schematem, zestawem wierszy schematu modelu wyszukiwania. Zapytania względem zestawu wierszy schematu modelu wyszukiwania można tworzyć przy użyciu instrukcji Data Mining Extension (DMX). W programie SQL Server 2017 można również wykonywać zapytania dotyczące zestawów wierszy schematu bezpośrednio jako tabele systemowe.
Przykładowe zapytanie 1: pobieranie metadanych modelu przy użyciu narzędzia DMX
Poniższe zapytanie zwraca podstawowe metadane dotyczące modelu klastrowania , TM_Clusteringktóre zostały utworzone w samouczku podstawowego wyszukiwania danych. Metadane dostępne w węźle nadrzędnym modelu klastrowania obejmują nazwę modelu, bazę danych, w której jest przechowywany model, oraz liczbę węzłów podrzędnych w modelu. To zapytanie używa zapytania zawartości DMX do pobierania metadanych z węzła nadrzędnego modelu:
SELECT MODEL_CATALOG, MODEL_NAME, NODE_CAPTION,
NODE_SUPPORT, [CHILDREN_CARDINALITY], NODE_DESCRIPTION
FROM TM_Clustering.CONTENT
WHERE NODE_TYPE = 1
Uwaga / Notatka
Należy ująć nazwę kolumny CHILDREN_CARDINALITY w nawiasach kwadratowych, aby odróżnić ją od zastrzeżonego słowa kluczowego Wyrażenia wielowymiarowe (MDX) o tej samej nazwie.
Przykładowe wyniki:
| Row | Metadane |
|---|---|
| KATALOG_MODEL | Tm_clustering |
| MODEL_NAME | Adventure Works DW |
| NODE_CAPTION | Model klastra |
| NODE_SUPPORT | 12939 |
| Liczebność_dzieci | 10 |
| NODE_DESCRIPTION | Wszystko |
Aby uzyskać definicję tego, co te kolumny oznaczają w modelu klastrowania, zobacz Wyszukiwanie zawartości modelu klastrowania dla modeli klastrowania (Analysis Services — Wyszukiwanie danych).
Przykładowe zapytanie 2: pobieranie metadanych modelu z zestawu wierszy schematu
Wykonując zapytanie dotyczące zestawu wierszy schematu wyszukiwania danych, można znaleźć te same informacje, które zwraca zapytanie zawartości DMX. Jednak zestaw wierszy schematu zawiera kilka dodanych kolumn. Te kolumny obejmują parametry używane podczas tworzenia modelu, datę i godzinę ostatniego przetworzenia modelu oraz właściciela modelu.
Poniższy przykład zwraca datę utworzenia, zmodyfikowania i ostatniego przetworzenia modelu z parametrami klastrowania używanymi do utworzenia modelu i rozmiaru zestawu treningowego. Te informacje mogą być przydatne podczas dokumentowania modelu lub określania, które opcje klastrowania zostały użyte do utworzenia istniejącego modelu.
SELECT MODEL_NAME, DATE_CREATED, LAST_PROCESSED, PREDICTION_ENTITY, MINING_PARAMETERS
from $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'TM_Clustering'
Przykładowe wyniki:
| Row | Metadane |
|---|---|
| MODEL_NAME | Tm_clustering |
| DATE_CREATED | 10/12/2007 17:42:51 |
| LAST_PROCESSED | 10/12/2007 20:09:54 PM |
| PREDICTION_ENTITY | Nabywca roweru |
| MINING_PARAMETERS | CLUSTER_COUNT=10, CLUSTER_SEED=0, CLUSTERING_METHOD=1, MAXIMUM_INPUT_ATTRIBUTES=255, MAXIMUM_STATES=100, MINIMUM_SUPPORT=1, MODELLING_CARDINALITY=10, SAMPLE_SIZE=50000, STOPPING_TOLERANCE=10 |
Znajdowanie informacji o klastrach
Najbardziej przydatne zapytania dotyczące zawartości w modelach klastrowania zwykle zwracają te same informacje, które można przeglądać przy użyciu podglądu klastra. Te informacje obejmują profile klastra, charakterystykę klastra i dyskryminację klastra. Ta sekcja zawiera przykłady zapytań, które pobierają te informacje.
Przykładowe zapytanie 3: Zwracanie klastra lub listy klastrów
Ponieważ wszystkie klastry mają typ węzła 5, można łatwo pobrać listę klastrów, wykonując zapytanie dotyczące zawartości modelu tylko dla węzłów tego typu. Można również filtrować węzły zwracane przez prawdopodobieństwo lub przez obsługę, jak pokazano w tym przykładzie.
SELECT NODE_NAME, NODE_CAPTION ,NODE_SUPPORT, NODE_DESCRIPTION
FROM TM_Clustering.CONTENT
WHERE NODE_TYPE = 5 AND NODE_SUPPORT > 1000
Przykładowe wyniki:
| Row | Metadane |
|---|---|
| NODE_NAME | 002 |
| NODE_CAPTION | Klaster 2 |
| NODE_SUPPORT | 1649 |
| NODE_DESCRIPTION | English Education=Graduate Degree , 32 <=Age <=48 , Number Cars Owned=0 , 35964.0771121808 <=Yearly Income <=97407.7163393957 , English Occupation=Professional , Commute Distance=2-5 Mil , Region=Ameryka Północna , Nabywca roweru=1 , Liczba dzieci w domu=0 , Liczba samochodów należących do= 1 , Odległość dojazdowa=0-1 mil , english education=bachelors , total children=1 , number children at home=2 , english occupation=2 , english occupation=wykwalifikowanych podręczników , Stan cywilny=S , Łączna liczba dzieci=0 , Flaga właściciela domu=0 , Płeć=F , Łączna liczba dzieci=2 , Region=Pacyfik |
Atrybuty definiujące klaster można znaleźć w zestawie wierszy schematu wyszukiwania danych w dwóch kolumnach.
Kolumna NODE_DESCRIPTION zawiera rozdzielaną przecinkami listę atrybutów. Należy pamiętać, że lista atrybutów może być skrócona do celów wyświetlania.
Tabela zagnieżdżona w kolumnie NODE_DISTRIBUTION zawiera pełną listę atrybutów klastra. Jeśli klient nie obsługuje hierarchicznych zestawów wierszy, możesz zwrócić zagnieżdżonych tabelę, dodając słowo kluczowe FLATTENED przed listą kolumn SELECT. Aby uzyskać więcej informacji na temat używania słowa kluczowego FLATTENED, zobacz SELECT FROM model (WYBIERANIE Z <modelu>). ZAWARTOŚĆ (DMX).
Przykładowe zapytanie 4: Zwracanie atrybutów klastra
W przypadku każdego klastra przeglądarka klastrów wyświetla profil zawierający listę atrybutów i ich wartości. Przeglądarka wyświetla również histogram pokazujący rozkład wartości dla całej populacji przypadków w modelu. Jeśli przeglądasz model w przeglądarce, możesz łatwo skopiować histogram z legendy wyszukiwania, a następnie wkleić go do Excel lub dokumentu Word. Możesz również użyć okienka Właściwości klastra przeglądarki do graficznego porównania atrybutów różnych klastrów.
Jeśli potrzebujesz wartości dla więcej niż jednego klastra jednocześnie, łatwiej jest wykonywać zapytania dotyczące modelu. Na przykład podczas przeglądania modelu można zauważyć, że dwa pierwsze klastry różnią się w jednym atrybucie . Number Cars Owned W związku z tym chcesz wyodrębnić wartości dla każdego klastra.
SELECT TOP 2 NODE_NAME,
(SELECT ATTRIBUTE_VALUE, [PROBABILITY] FROM NODE_DISTRIBUTION WHERE ATTRIBUTE_NAME = 'Number Cars Owned')
AS t
FROM [TM_Clustering].CONTENT
WHERE NODE_TYPE = 5
Pierwszy wiersz kodu określa, że chcesz tylko dwa pierwsze klastry.
Uwaga / Notatka
Domyślnie klastry są uporządkowane według obsługi. W związku z tym można pominąć kolumnę NODE_SUPPORT.
Drugi wiersz kodu dodaje instrukcję subselect, która zwraca tylko niektóre kolumny z zagnieżdżonej kolumny tabeli. Ten podstan ogranicza również wiersze z tabeli zagnieżdżonej do tych powiązanych z atrybutem docelowym . Number Cars Owned Aby uprościć wyświetlanie, zagnieżdżona tabela jest aliasem.
Uwaga / Notatka
Należy ująć kolumnę zagnieżdżonej tabeli , w nawiasach kwadratowych, PROBABILITYponieważ jest to również nazwa zastrzeżonego słowa kluczowego MDX.
Przykładowe wyniki:
| NODE_NAME | T.ATTRIBUTE_VALUE | T.PROBABILITY |
|---|---|---|
| 001 | 2 | 0.829207754 |
| 001 | 1 | 0.109354156 |
| 001 | 3 | 0.034481552 |
| 001 | 4 | 0.013503302 |
| 001 | 0 | 0.013453236 |
| 001 | Brakujący | 0 |
| 002 | 0 | 0.576980023 |
| 002 | 1 | 0.406623939 |
| 002 | 2 | 0.016380082 |
| 002 | 3 | 1.60E-05 |
| 002 | 4 | 0 |
| 002 | Brakujący | 0 |
Przykładowe zapytanie 5: Zwracanie profilu klastra przy użyciu systemowych procedur składowanych
Jako skrót, zamiast pisać własne zapytania przy użyciu narzędzia DMX, można również wywołać systemowe procedury składowane używane przez usługi SQL Server Analysis Services do pracy z klastrami. Poniższy przykład ilustruje sposób użycia wewnętrznych procedur składowanych w celu zwrócenia profilu klastra o identyfikatorze 002.
CALL System.Microsoft.AnalysisServices.System.DataMining.Clustering.GetClusterProfiles('TM_Clustering", '002',0.0005
Podobnie można użyć procedury składowanej systemu, aby zwrócić cechy określonego klastra, jak pokazano w poniższym przykładzie:
CALL System.Microsoft.AnalysisServices.System.DataMining.Clustering.GetClusterCharacteristics('TM_Clustering", '009',0.0005
Przykładowe wyniki:
| Attributes | Wartości | Częstotliwość | Support |
|---|---|---|---|
| Liczba dzieci w domu | 0 | 0.999999829076798 | 899 |
| Region | Ameryka Północna | 0.999852875241508 | 899 |
| Łączna liczba elementów podrzędnych | 0 | 0.993860958572323 | 893 |
Uwaga / Notatka
Procedury składowane systemu wyszukiwania danych są przeznaczone do użytku wewnętrznego, a firma Microsoft zastrzega sobie prawo do ich zmiany w razie potrzeby. W przypadku użycia w środowisku produkcyjnym najlepiej tworzyć zapytania przy użyciu funkcji DMX, AMO lub XMLA.
Przykładowe zapytanie 6: znajdowanie czynników dyskryminujących dla klastra
Karta Dyskryminacja klastraw Podglądzie klastra ułatwia porównywanie klastra z innym klastrem lub ze wszystkimi pozostałymi przypadkami, co stanowi uzupełnienie klastra.
Jednak tworzenie zapytań w celu zwrócenia tych informacji może być złożone. Może być konieczne więcej przetwarzania na kliencie w celu przechowywania wyników tymczasowych i porównywania wyników co najmniej dwóch zapytań. Jako skrót można użyć systemowych procedur składowanych.
Poniższe zapytanie zwraca pojedynczą tabelę, która pokazuje podstawowe czynniki dyskryminujące między dwoma klastrami, które mają identyfikatory węzłów 009 i 007. Atrybuty z wartościami dodatnimi faworyzują klaster 009, natomiast atrybuty z wartościami ujemnymi faworyzują klaster 007.
CALL System.Microsoft.AnalysisServices.System.DataMining.Clustering.GetClusterDiscrimination('TM_Clustering','009','007',0.0005,true)
Przykładowe wyniki:
| Attributes | Wartości | Score |
|---|---|---|
| Region | Ameryka Północna | 100 |
| Zawód angielski | Wykwalifikowany podręcznik | 94.9003803898654 |
| Region | Europa | -72.5041051379789 |
| Zawód angielski | Podręcznik | -69.6503163202722 |
W tej tabeli przedstawiono te same informacje przedstawione na wykresie przeglądarki Dyskryminacja klastra , jeśli wybierzesz pozycję Klaster 9 z pierwszej listy rozwijanej i Klaster 7 z drugiej listy rozwijanej. Aby porównać klaster 9 z jego uzupełnieniem, użyj pustego ciągu w drugim parametrze, jak pokazano w poniższym przykładzie:
CALL System.Microsoft.AnalysisServices.System.DataMining.Clustering.GetClusterDiscrimination('TM_Clustering','009','',0.0005,true)
Uwaga / Notatka
Procedury składowane systemu wyszukiwania danych są przeznaczone do użytku wewnętrznego, a firma Microsoft zastrzega sobie prawo do ich zmiany w razie potrzeby. W przypadku użycia w środowisku produkcyjnym najlepiej tworzyć zapytania przy użyciu funkcji DMX, AMO lub XMLA.
Przykładowe zapytanie 7: Przypadki zwracane należące do klastra
Jeśli przeglądanie szczegółowe jest włączone w modelu wyszukiwania, możesz utworzyć zapytania zwracające szczegółowe informacje o przypadkach używanych w modelu. Jeśli włączysz przeglądanie szczegółowe w strukturze wyszukiwania, możesz uwzględnić kolumny ze struktury bazowej przy użyciu funkcji StructureColumn (DMX).
Poniższy przykład zwraca dwie kolumny, których model używa, Age (Wiek) i Region (Region), oraz jedną kolumnę First Name (Imię), której model nie używa. Zapytanie zwraca tylko przypadki klasyfikujące model do klastra 1.
SELECT [Age], [Region], StructureColumn('First Name')
FROM [TM_Clustering].CASES
WHERE IsInNode('001')
Aby zwrócić przypadki należące do klastra, musisz znać identyfikator klastra. Identyfikator klastra można uzyskać, przeglądając model w jednej z osób przeglądających. Możesz też zmienić nazwę klastra, aby ułatwić odwołanie, a następnie użyć nazwy zamiast numeru identyfikatora. Jednak nazwy przypisywane do klastra zostaną utracone w przypadku ponownego przetworzenia modelu.
Przewidywanie przy użyciu modelu
Mimo że klastrowanie jest zwykle używane do opisywania i interpretowania danych, implementacja Microsoft umożliwia również przewidywanie członkostwa w klastrze i zwracanie prawdopodobieństwa skojarzone z przewidywaniem. W tej sekcji przedstawiono przykłady tworzenia zapytań przewidywania dotyczących modeli klastrowania. Przewidywania dla wielu przypadków można utworzyć, określając tabelaryczne źródło danych lub jednocześnie podać nowe wartości, tworząc jednotonowe zapytanie. W celu zapewnienia przejrzystości przykłady w tej sekcji to wszystkie pojedyncze zapytania.
Aby uzyskać więcej informacji na temat tworzenia zapytań przewidywania przy użyciu narzędzia DMX, zobacz Narzędzia zapytań wyszukiwania danych.
Przykładowe zapytanie 8: przewidywanie wyników z modelu klastrowania
Jeśli utworzony model klastrowania zawiera przewidywalny atrybut, możesz użyć modelu do przewidywania wyników. Jednak model obsługuje przewidywalny atrybut inaczej w zależności od tego, czy ustawiono przewidywalną kolumnę na Przewidywanie , czy PredictOnly. Jeśli ustawisz użycie kolumny na Przewidywanie, wartości tego atrybutu zostaną dodane do modelu klastrowania i będą wyświetlane jako atrybuty w gotowym modelu. Jeśli jednak ustawisz użycie kolumny na PredictOnly, wartości nie będą używane do tworzenia klastrów. Zamiast tego po zakończeniu modelu algorytm klastrowania tworzy nowe wartości atrybutu PredictOnly na podstawie klastrów, do których należy każdy przypadek.
Poniższe zapytanie zawiera jeden nowy przypadek dla modelu, w którym jedynymi informacjami na temat przypadku jest wiek i płeć. Instrukcja SELECT określa przewidywalną parę atrybutów/wartości, którą cię interesuje, a funkcja PredictProbability (DMX) informuje o prawdopodobieństeniu, że przypadek z tymi atrybutami będzie miał wynik docelowy.
SELECT
[TM_Clustering].[Bike Buyer], PredictProbability([Bike Buyer],1)
FROM
[TM_Clustering]
NATURAL PREDICTION JOIN
(SELECT 40 AS [Age],
'F' AS [Gender]) AS t
Przykład wyników, gdy użycie jest ustawione na Przewidywanie:
| Nabywca roweru | Expression |
|---|---|
| 1 | 0.592924735740338 |
Przykład wyników, gdy użycie jest ustawione na PredictOnly i model jest ponownie przetwarzany:
| Nabywca roweru | Expression |
|---|---|
| 1 | 0.55843544003102 |
W tym przykładzie różnica w modelu nie jest znacząca. Czasami jednak może być ważne, aby wykryć różnice między rzeczywistym rozkładem wartości a przewidywaniami modelu. Funkcja PredictCaseLikelihood (DMX) jest przydatna w tym scenariuszu, ponieważ informuje o tym, jak prawdopodobny jest przypadek, biorąc pod uwagę model.
Liczba zwracana przez funkcję PredictCaseLikelihood jest prawdopodobieństwem, dlatego zawsze wynosi od 0 do 1, z wartością 5 reprezentującą losowy wynik. W związku z tym wynik mniejszy niż .5 oznacza, że przewidywany przypadek jest mało prawdopodobny, biorąc pod uwagę model, a wynik powyżej,5 wskazuje, że przewidywany przypadek jest bardziej prawdopodobny niż nie pasuje do modelu.
Na przykład następujące zapytanie zwraca dwie wartości, które scharakteryzują prawdopodobieństwo wystąpienia nowego przykładowego przypadku. Wartość nienormalizowana reprezentuje prawdopodobieństwo podane w bieżącym modelu. W przypadku używania słowa kluczowego NORMALIZED współczynnik prawdopodobieństwa zwracany przez funkcję jest dostosowywany przez podzielenie prawdopodobieństwa na model według prawdopodobieństwa bez modelu.
SELECT
PredictCaseLikelihood(NORMALIZED) AS [NormalizedValue], PredictCaseLikelihood(NONNORMALIZED) AS [NonNormalizedValue]
FROM
[TM_Clustering_PredictOnly]
NATURAL PREDICTION JOIN
(SELECT 40 AS [Age],
'F' AS [Gender]) AS t
Przykładowe wyniki:
| NormalizedValue | NonNormalizedValue |
|---|---|
| 5.56438372679893E-11 | 8.65459953145182E-68 |
Liczby w tych wynikach są wyrażane w notacji naukowej.
Przykładowe zapytanie 9: Określanie członkostwa w klastrze
W tym przykładzie użyto funkcji Cluster (DMX), aby zwrócić klaster, do którego najprawdopodobniej należy nowy przypadek, i używa funkcji ClusterProbability (DMX), aby zwrócić prawdopodobieństwo członkostwa w tym klastrze.
SELECT Cluster(), ClusterProbability()
FROM
[TM_Clustering]
NATURAL PREDICTION JOIN
(SELECT 40 AS [Age],
'F' AS [Gender],
'S' AS [Marital Status]) AS t
Przykładowe wyniki:
| $CLUSTER | Expression |
|---|---|
| Klaster 2 | 0.397918596951617 |
Uwaga / Notatka
Domyślnie funkcja ClusterProbability zwraca prawdopodobieństwo najbardziej prawdopodobnego klastra. Można jednak określić inny klaster przy użyciu składni ClusterProbability('cluster name'). Jeśli tak, należy pamiętać, że wyniki z każdej funkcji przewidywania są niezależne od innych wyników. W związku z tym wynik prawdopodobieństwa w drugiej kolumnie może odwoływać się do innego klastra niż klaster o nazwie w pierwszej kolumnie.
Przykładowe zapytanie 10: zwraca wszystkie możliwe klastry z prawdopodobieństwem i odległością
W poprzednim przykładzie wynik prawdopodobieństwa nie był zbyt wysoki. Aby określić, czy istnieje lepszy klaster, użyj funkcji PredictHistogram (DMX) z funkcją Cluster (DMX), aby zwrócić zagnieżdżoną tabelę zawierającą wszystkie możliwe klastry i prawdopodobieństwo, że nowy przypadek należy do każdego klastra. Użyj słowa kluczowego FLATTENED, aby zmienić hierarchiczny zestaw wierszy na płaską tabelę w celu łatwiejszego wyświetlania.
SELECT FLATTENED PredictHistogram(Cluster())
From
[TM_Clustering]
NATURAL PREDICTION JOIN
(SELECT 40 AS [Age],
'F' AS [Gender],
'S' AS [Marital Status])
| Expression.$CLUSTER | Expression.$DISTANCE | Expression.$PROBABILITY |
|---|---|---|
| Klaster 2 | 0.602081403048383 | 0.397918596951617 |
| Klaster 10 | 0.719691686785675 | 0.280308313214325 |
| Klaster 4 | 0.867772590378791 | 0.132227409621209 |
| Klaster 5 | 0.931039872200985 | 0.0689601277990149 |
| Klaster 3 | 0.942359230072167 | 0.0576407699278328 |
| Klaster 6 | 0.958973668972756 | 0.0410263310272437 |
| Klaster 7 | 0.979081275926724 | 0.0209187240732763 |
| Klaster 1 | 0.999169044818624 | 0.000830955181376364 |
| Klaster 9 | 0.999831227795894 | 0.000168772204105754 |
| Klaster 8 | 1 | 0 |
Domyślnie wyniki są klasyfikowane według prawdopodobieństwa. Powyższe wyniki wskazują, że mimo że prawdopodobieństwo klastra 2 jest dość niskie, klaster 2 jest nadal najlepszym rozwiązaniem dla nowego punktu danych.
Uwaga / Notatka
Dodana $DISTANCE kolumna reprezentuje odległość od punktu danych do klastra. Domyślnie algorytm klastrowania firmy Microsoft używa skalowalnego klastra EM, który przypisuje wiele klastrów do każdego punktu danych i klasyfikuje możliwe klastry. Jeśli jednak utworzysz model klastrowania przy użyciu algorytmu K-średnich, do każdego punktu danych można przypisać tylko jeden klaster, a to zapytanie zwróci tylko jeden wiersz. Zrozumienie tych różnic jest niezbędne do zinterpretowania wyników funkcji PredictCaseLikelihood (DMX). Aby uzyskać więcej informacji na temat różnic między klastrowaniem EM i K-średnich, zobacz Dokumentacja techniczna dotycząca algorytmu klastrowania firmy Microsoft.
Lista funkcji
Wszystkie algorytmy firmy Microsoft obsługują wspólny zestaw funkcji. Jednak modele utworzone przy użyciu algorytmu klastrowania Microsoft obsługują następujące dodatkowe funkcje:
| Funkcja przewidywania | Usage |
|---|---|
| Klaster (DMX) | Zwraca klaster, który najprawdopodobniej zawiera wielkość liter wejściowych. |
| ClusterDistance (DMX) | Zwraca odległość wielkości liter wejściowych z określonego klastra lub jeśli nie określono żadnego klastra, odległość przypadku wejściowego z najbardziej prawdopodobnego klastra. Zwraca prawdopodobieństwo, że wielkość liter wejściowych należy do określonego klastra. |
| ClusterProbability (DMX) | Zwraca prawdopodobieństwo, że wielkość liter wejściowych należy do określonego klastra. |
| IsDescendant (DMX) | Określa, czy jeden węzeł jest elementem podrzędnym innego węzła w modelu. |
| IsInNode (DMX) | Wskazuje, czy określony węzeł zawiera bieżący przypadek. |
| PredictAdjustedProbability (DMX) | Zwraca prawdopodobieństwo ważone. |
| PredictAssociation (DMX) | Przewiduje członkostwo w zestawie danych asocjacyjnych. |
| PredictCaseLikelihood (DMX) | Zwraca prawdopodobieństwo, że wielkość liter wejściowych pasuje do istniejącego modelu. |
| PredictHistogram (DMX) | Zwraca tabelę wartości powiązanych z bieżącą przewidywaną wartością. |
| PredictNodeId (DMX) | Zwraca Node_ID dla każdego przypadku. |
| PredictProbability (DMX) | Zwraca prawdopodobieństwo przewidywanej wartości. |
| PredictStdev (DMX) | Zwraca przewidywane odchylenie standardowe dla określonej kolumny. |
| PredictSupport (DMX) | Zwraca wartość obsługi określonego stanu. |
| PredictVariance (DMX) | Zwraca wariancję określonej kolumny. |
Aby zapoznać się ze składnią określonych funkcji, zobacz Data Mining Extensions (DMX) Function Reference (Dokumentacja funkcji wyszukiwania danych ( DMX).
Zobacz także
Zapytania wyszukiwania danych
Dokumentacja techniczna dotycząca algorytmu klastrowania firmy Microsoft
Algorytm klastrowania firmy Microsoft