Artykuł
07/22/2011

Unieś wykresu (Analysis Services - wyszukiwania danych)

Można przeglądać różne rodzaje wykresów w Unieś wykres karcie Górnictwa wykresu dokładność kartę Projektant wyszukiwania danych, w zależności od modelu, przewidywalny atrybut w modelu i inne ustawienia.

Jeśli modelu prognozuje dyskretnych wartości, można utworzyć wykres przyrostu lub wykres zysków.wykres przyrostu porównuje dokładności prognoz każdego modelu i mogą być konfigurowane do Pokaż dokładność do prognoz, generalnie lub do prognoz określonej wartości.wykres zysków jest typ wykresu związanego, który zawiera takie same informacje jak wykres przyrostu, ale zawiera także przewidywany wzrost zysku, który jest skojarzony z za pomocą każdego modelu.Użyj Typ wykresu listy, aby wybrać typ wykresu.

Uwaganie może wyświetlić czas modeli serii wykres przyrostu lub wykres zysków, ale mogą przeglądać wykres zawierający historycznych serii i prognoz opartych na seriach za pomocą Górnictwa przewidywania modelu kartę.Aby uzyskać więcej informacji, zobacz Algorytm serii Microsoft czasu.

Aby uzyskać więcej informacji:Zysk wykresu (Analysis Services - wyszukiwania danych), Wykres punktowy (Analysis Services - wyszukiwania danych)

Scenariusz

Unieś wykres karta zawiera graficzną reprezentację zmiany w Unieś , model wyszukiwania powoduje.Na przykład dział marketingu w Adventure Works Cycles chce utworzyć ukierunkowanych kampanii korespondencji.Z przeszłości kampanie, oni wiedzieli, że wskaźnik odpowiedzi 10 procent typowy.Mają one listy 10 000 potencjalnych klientów, przechowywane w tabela bazy danych.W związku z tym w zależności od szybkości odpowiedzi na typowe mogą się spodziewać 1000 potencjalnych klientów, aby odpowiedzieć.

Jednak pieniądze budżetowane dla projektu nie wystarcza do osiągnięcia wszystkich 10 000 klientów w bazie danych.Oparty na budżet, one można przyznać poczty anons tylko 5000 klientom.Dział marketingu ma dwie możliwości:

Wybrać losowo 5000 klientów miejsce docelowe
Za pomocą modelu górnictwa miejsce docelowe 5000 klienci, którzy są najbardziej prawdopodobna odpowiedź

Jeśli firma losowo wybiera 5000 klienci, mogą się spodziewać odebrania 500 tylko na podstawie stopy odpowiedzi na typowe.W tym scenariuszu jest co losowe reprezentuje linii wykres przyrostu.Jednakże jeśli dział marketingu używa model wyszukiwania miejsce docelowe ich korespondencji, mogą się spodziewać większą szybkość odpowiedzi, ponieważ ich miejsce docelowe klientów, którzy są najbardziej prawdopodobna odpowiedź.Jeśli model jest doskonałe, oznacza to, że model tworzy prognoz, które nigdy nie są niewłaściwe i firma może oczekuje się odpowiedzi 1000 przez korespondencji do 1000 potencjalnych klientów, zalecane przez model.W tym scenariuszu jest co idealnie reprezentuje linii wykres przyrostu.Rzeczywistość jest model wyszukiwania najprawdopodobniej upadkom między tymi dwoma ekstremalnymi; między losowe przypuszczenie i przewidywanie doskonałe.Poprawy z losowo przypuszczenie uważa się za dźwigu.

Opis dźwigu wykresu

Można tworzyć dwa typy wykresów dźwigu: jeden służącą do określania wartości miejsce docelowe dla przewidywalna kolumnai w którym nie określono wartości.Podczas przełączania między Zaznaczenie wprowadzania kartę i Unieś wykres kartę wykres jest aktualizowany, aby odzwierciedlić zmiany wprowadzone kolumna mapowania lub inne ustawienia.

Unieś wykres z wartości docelowej

Na poniższym wykresie przedstawiono wykres przyrostu Ukierunkowanych korespondencji tworzonego w modelu Samouczek wyszukiwania danych podstawowych.Na tym wykresie atrybut miejsce docelowe jest [Bike kupującym] i wartość miejsce docelowe wynosi 1, co oznacza, że klient rowerowe zakupione lub jest prawdopodobne to zrobić.wykres przyrostu zawiera zatem poprawa modelu zapewnia podczas identyfikowania klientów, którzy mogą kupić rower.

W modelu podstawowego wykresu zawiera pokrewne modelu filtrowana określonych odbiorców miejsce docelowe.Można dodawać wiele modeli do wykres przyrostu, jak wszystkie modele mają ten sam atrybut przewidywalne.Ten filtr ogranicza przypadkach używane w szkolenia i oceny dla klientów, którzy są w wieku poniżej 30.W wyniku liczbę przypadków, które sprawdzane modelu różni się dla podstawowych i filtrowane modelu.Punkt ten jest pamiętać podczas interpretowania wyniki przewidywanie i innych informacji statystycznych.

wykres wzrostu pokazujący dwa modele

oś x wykresu procentowo dataset test używanego do porównywania prognoz.Y -oś wykresu procentowo przewidywane wartości.

Ukośnych linii prostej tu w kolorze niebieskim, pojawia się w każdym wykresu.Wyniki losowego zgadywania reprezentuje i jest według planu bazowego, przeciwko której ma zostać oszacowana dźwigu.Dla każdego modelu, który dodano do wykres przyrostu, pobrać dwie dodatkowe linie: Jeżeli można utworzyć model, który zawsze przewidywane doskonale jeden wiersz zawiera wyniki idealne dla zestaw danych szkoleniowych i drugi wiersz zawiera rzeczywiste dźwigu lub poprawy wyników dla modelu.

W tym przykładzie wiersz idealne dla filtrowanych modelu jest wyświetlany w ciemnoniebieski i wiersz dla rzeczywistych dźwigu na żółto.Można stwierdzić z wykresu że idealne linii pików na około 40 procent, co oznacza, że gdyby doskonałe modelu może osiągnąć 100 procent klientów docelowych wysyłając korespondencję tylko 40% całej zapełnianie.Rzeczywiste dźwigu dla filtrowanych modelu docelowego 40 procent ludności jest między 60 a 70 procent, co oznacza 60-70 procent klientów miejsce docelowe można osiągnąć przez wysyłanie korespondencji do 40 procent zapełnianie całkowita klientów.

Górnictwa legendy zawiera wartości rzeczywistych w dowolnym punkcie na krzywych.Można zmienić miejsce, w którym jest mierzone klikając pionowy pasek szare i przenosząc ją.Na wykresie szara linia został przeniesiony do 30 procent, ponieważ jest to punkt, gdzie modele filtrowanym i niefiltrowanym wydają się być najbardziej efektywnym i po odrzuceniu tego punktu kwota dźwigu.

Górnictwa legendy zawiera także wyniki i statystyk, które pomagają interpretować wykresu.Wyniki te reprezentują dokładności modelu w wierszu szary, który w tym scenariuszu jest umieszczony na uwzględnienie 30 procent ogólnej przypadkach badania.

Seria, model	Wynik	zapełnianie docelowej	Przewidywania prawdopodobieństwa
Celem wszystkich korespondencji	0.71	47.40%	61.38%
Celem korespondencji poniżej 30	0.85	51.81%	46.62%
Model losowy przypuszczenie		31.00%
Idealny wzór: Celem wszystkich korespondencji		62.48%
Idealny wzór: Celem korespondencji poniżej 30		65.28%

Wyniki te można zobaczyć, że mierzone na 30 procent wszystkich przypadków, ogólny model (skierowaną wszystkie korespondencji) można przewidzieć bike kupowanie zachowanie 47.40% zapełnianie miejsce docelowe.Innymi słowy Jeżeli wysyłane ukierunkowanych korespondencji do tylko 30 procent klientów w bazie danych mogą osiągnąć nieco mniej niż połowę użytkowników miejsce docelowe.Jeśli używany jest model filtrowane, mogą osiągnąć około 51 procent klientów docelowych.

Wartość dla prawdopodobieństwo Predict reprezentuje próg zobowiązana dołączyć klienta między "mogą kupować" sprawy.przypadek każdego modelu szacunków dokładność każdej przewidywanie i przechowuje wartość, można użyć do filtrowania poza lub do klientów miejsce docelowe.Na przykład do identyfikowania klientów z modelu podstawowego, którzy są prawdopodobnie kupujących, czy użyć kwerendy pobrać przypadkach z prawdopodobieństwem Predict 61 procentach.Uzyskanie klientów skierowana filtrowane modelu, należy utworzyć kwerendę, która pobierana przypadków, które spełniają wszystkie kryteria: wiek i PredictProbability wartość co najmniej 46%.

Jest on interesujące porównywanie modeli.Filtrowane wzór występuje więcej potencjalnych klientów, ale podczas przechwytywania można miejsce docelowe klienci z wynikiem przewidywanie prawdopodobieństwa procent 46 masz również szansy procent 53 wysyłania korespondencji do osoby, która nie będzie kupują rowerów.Dlatego, jeśli zostały decydowania, którego modelu jest lepsza, warto saldo większej dokładności i mniejsze miejsce docelowe rozmiar przefiltrowanych modelu przeciwko selektywność podstawowy model.

Wartość dla wynik ułatwia porównanie modeli obliczając skuteczności modelu całej zapełnianie znormalizowana.Wyższy wynik jest lepsza, w tym przypadek można zdecydować czy docelowych klientom 30 jest najbardziej skutecznych strategii, pomimo prawdopodobieństwa niższych przewidywanie.

Unieś wykresu dla modelu bez wartości docelowej

Jeśli nie określisz stanu przewidywalna kolumna, można utworzyć typ Wykres pokazany na poniższym diagramie.Ten wykres pokazuje, jak model wykonuje się dla wszystkich Państw przewidywalne atrybut.Na przykład wykres będzie określić jak model prognozuje zarówno klienci, którzy mogą kupić rower oraz tych, którzy są mało prawdopodobne, aby kupić rower.

oś x jest taka sama, jak w wykres z przewidywalna kolumna określony, ale y teraz procentowo prognoz, które są poprawne.Dlatego idealne wiersza jest linię ukośną pokazuje, że na 50 procent danych modelu poprawnie prognozuje 50% przypadków, maksymalny, którego można się spodziewać.

Wykres wzrostu pokazujący poprawne prognozy

Można kliknąć na wykresie przenieść szary pasek pionowy i Górnictwa legendy Wyświetla procent ogólnej przypadków i procent przypadków, które zostały prawidłowo przewidywane.Na przykład położenie suwaka szarości na znak 50 procent Górnictwa legendy wyświetla następujące wyniki dokładności.Te dane liczbowe są oparte na modelu drzewa TM_Decision utworzone w samouczku górnictwa podstawowych danych.

Seria, model	Wynik	zapełnianie docelowej	Przewidywania prawdopodobieństwa
Drzewa TM_Decision	0.77	40.50%	72.91%
Idealny modelu		50.00%

Tabela ta informuje, na 50 procent zapełnianie modelu, który poprawnie utworzony prognozuje 40 procent przypadków.Należy rozważyć to dokładnych modelu.Należy jednak pamiętać, że tego konkretnego modelu prognozuje wszystkie wartości atrybut przewidywalne.Model może zatem precyzyjne w przewidywaniu, że 90 procent klientów nie kupują rowerów.

Ostrzeżenie

Dokładność przewidywanie dla wszystkich wartości discrete przewidywalne atrybut jest wyświetlany w jednym wierszu.Jeśli chcesz wyświetlić wiersze dokładności przewidywanie żadnych indywidualnych wartości atrybut przewidywalne należy utworzyć oddzielne wykres przyrostu dla tej wartości.

Powrót do początku