Microsoft logistyczne algorytm regresji
Microsoft Regresją algorytm jest odmianą Microsoft sieci neuronowe algorytmu.Logistyczne regresja dobrze techniki statystyczne, używany do modelowania binarne wyników, takich jak wyniku tak nie jest.
Logistyczne regresja jest bardzo elastyczny, podejmowania wszelkiego rodzaju danych wejściowych i obsługuje kilka różnych zadań analitycznych:
Pomocą demograficzne przewidywanych wyników, takie jak ryzyko dla niektórych chorób.
Poznawanie i waga czynniki, które przyczyniają się do wyniku.Na przykład znaleźć czynników, wpływających na podejmowanie Powtórna wizyta Sklepu.
Klasyfikowania dokumentów, wiadomości e-mail lub inne obiekty, które mają wiele atrybutów.
Przykład
Należy rozważyć grupy osób, kto udostępnić podobne informacje demograficzne i kto zakupu produktów firmy Adventure Works.Modelowanie danych dotyczą określonego rezultatu, takich jak zakup produkt miejsce docelowe można zobaczyć, jak informacje demograficzne przyczynia się do osoby prawdopodobieństwo nabywający produkt miejsce docelowe.
Jak działa algorytm
Logistyczne regresja jest dobrze znane metoda statystycznej do ustalania wkładu wiele czynników pary wyników.Implementacja firmy Microsoft używa zmodyfikowanego sieci neuronowe modelu relacje między wejść i wyjść.Efekt każdego wejścia na wyjściu jest mierzony i różnych danych wejściowych są ważone w gotowym modelu.Nazwa logistyczne regresja pochodzi z fakt, że krzywa danych jest skompresowany przy użyciu transformacja logistyczne, aby zminimalizować wpływ wartości skrajnych.Aby uzyskać więcej informacji dotyczących wykonania i dostosowywania algorytmu, zobacz Microsoft regresją algorytm techniczne.
Dane wymagane dla modeli regresji logistyczne
Podczas przygotowywania danych do użycia w szkolenie logistyczne regresja modelu, należy zrozumieć wymagania dotyczące określonego algorytmu, jak dużo danych jest wymagana i sposobu używania danych.
Wymagania logistyczne regresja modelu są następujące:
kolumna kluczkażdego modelu musi zawierać jedną kolumna liczbowe lub tekst, który unikatowo identyfikuje każdy rekord.Mieszanki klucze nie są dozwolone.
Wprowadzanie kolumnakażdy model musi zawierać co najmniej jedną kolumna danych wejściowych, zawierającą wartości, które są używane jako czynniki w analizie.Może mieć tyle wprowadzania kolumnas dowolną, ale w zależności od liczby wartości w każdym kolumna, dodanie dodatkowych kolumnas można zwiększyć czas szkolić modelu.
Co najmniej jedną przewidywalna kolumnamodel musi zawierać co najmniej jedną przewidywalna kolumna dowolnego typu danych, włączając ciągłe danych liczbowych.Wartości przewidywalna kolumna również mogą być traktowane jako danych wejściowych do modelu lub można określić, że można użyć do przewidywanie tylko.Tabele zagnieżdżone nie są dozwolone dla kolumn przewidywalny, ale mogą być używane jako danych wejściowych.
Bardziej szczegółowe informacje o typach zawartości i typy danych obsługiwane dla logistyczne regresja modeli, zobacz sekcję wymagania dotyczące Microsoft regresją algorytm techniczne.
Wyświetlanie modelu regresją
Aby poznać model, można użyć podglądu sieci neuronowe Microsoft lub Microsoft ogólnej zawartości drzewa przeglądarki.
Podczas wyświetlania modelu za pomocą podglądu sieci neuronowe Microsoft Analysis Services zawiera czynniki, które przyczyniają się do wyniku określonego, uporządkowane według ich znaczenia.Można wybrać atrybut i wartości do porównywania.Aby uzyskać więcej informacji, zobacz Wyświetlanie modelu górnictwo z Microsoft podglądu sieci neuronowe.
Jeśli chcesz wiedzieć więcej szczegółów modelu można przeglądać za pomocą Microsoft ogólnej zawartości drzewa podglądu.Zawartość modelu logistyczne regresja model zawiera marginalny węzeł, który zawiera wszystkie dane wejściowe używane dla modelu i subnetworks dla atrybutów przewidywalne.Aby uzyskać więcej informacji, zobacz Model zawartości dla modeli regresją górnictwo (Analysis Services - wyszukiwania danych).
Tworzenie prognoz
Po przeszkoleni modelu można utworzyć kwerendy w modelu zawartości uzyskanie współczynników regresja oraz innych szczegółów lub modelu można używać, aby prognoz.
Aby uzyskać ogólne informacje dotyczące tworzenia kwerend danych model wyszukiwania, zobacz Badanie modeli wyszukiwania danych (Analysis Services - wyszukiwania danych).
Przykłady kwerend dotyczących logistyczne regresja modelu, zobacz Badanie modelu klastrowania (Analysis Services - wyszukiwania danych).
Uwagi
Nie obsługuje przeglądanie szczegółowe.Wynika to z strukturze węzłów w model wyszukiwania nie musi odpowiadać bezpośrednio w danych Yródłowych.
Nie obsługuje tworzenia wymiary wyszukiwanie danych.
Obsługuje korzystanie z modeli wyszukiwania OLAP.
Nie obsługuje korzystania z przewidywanych modelu Markup Language (PMML) do tworzenia modeli wyszukiwania.