Cross-Validation Tab (Mining Accuracy Chart View)
krzyżowe sprawdzanie poprawności pozwala partycji struktura wyszukiwania do przekrój poprzeczny i przeszkolić iteratively i przetestować modeli dla każdego przecięcia.You specify a number of folds to divide the data into, and each fold is used in turn as the test data, whereas the remaining data is used to train a new model.Analysis Services then generates a set of standard accuracy metrics for each model.Przez porównanie miar dla modeli generowane dla każdego przecięcia, można uzyskać, dobrym pomysłem jest niezawodny sposób model wyszukiwania dla całego zestaw danych.
Aby uzyskać więcej informacji zobaczkrzyżowe sprawdzanie poprawności (Analysis Services — wyszukiwanie danych).
Uwaga
krzyżowe sprawdzanie poprawności Nie można użyć w przypadku modeli, które zostały zaprojektowane przy użyciu Microsoft Algorytm seria czas lub Microsoft Algorytm klastrowanie sekwencji. Jeśli raport jest uruchamiany na struktura wyszukiwania, która zawiera następujące typy modeli, modele nie mają zostać uwzględnione w raporcie.
Umożliwia określenie liczby zgięcia.
Określ maksymalną liczbę przypadków dla krzyżowe sprawdzanie poprawności.
Określ przewidywalna kolumna.
Opcjonalnie można określić stan przewidywalne.
Opcjonalnie zestaw parametry, które kontrolują, jak ocenić dokładność przewidywanie.
Kliknij przycisk Uzyskiwanie wyników , aby wyświetlić wyniki sprawdzania krzyżowe sprawdzanie poprawności.
Karta składana jak licznik
Umożliwia określenie liczby zgięcia lub partycji, aby utworzyć.Wartość minimalna wynosi 2, co oznacza, że połowa zestaw danych jest używany do testowania i połowa szkolenia.Maksymalna wartość wynosi 10 na potrzeby struktur górnictwo sesja.
Wartość maksymalna jest 256, jeśli struktura wyszukiwania są przechowywane w instancji Analysis Services.
Uwaga
Jak zwiększyć liczbę zgięcia, czas wymagany do sprawdzenia poprawności krzyżyk podobnie powoduje zwiększenie przez n.Mogą wystąpić problemy z wydajnością, jeżeli liczba przypadków jest duża i wartości Karta składana jak licznik jest również duży.
Maksymalna liczba spraw
Określ maksymalną liczbę przypadków dla krzyżowe sprawdzanie poprawności.Liczbę przypadków, w dowolnym określonej karty składanej jak jest równa Maksymalna liczba spraw wartość podzielona przez Karta składana jak licznik wartość.Jeśli używasz 0, wszystkie przypadki, w danych źródłowych są używane do sprawdzania krzyżowe sprawdzanie poprawności.
Brak wartości domyślnej.
Uwaga
Jak zwiększyć liczbę przypadków, również powoduje zwiększenie czas przetwarzania.
Atrybut miejsce docelowe
Wybierz kolumna z listy kolumn przewidywalne znalezionych we wszystkich modelach.Można wybrać tylko jedną przewidywalna kolumna za każdym razem, należy wykonać sprawdzania krzyżowe sprawdzanie poprawności.Aby przetestować tylko klastrowanie modeli, wybierz opcję Klaster.
Państwo miejsce docelowe
Wpisz wartość lub wybierz miejsce docelowe wartości z rozwijanej — niedziałający listy wartości.Wartością domyślną jest null, co oznacza, że wszystkie stany są sprawdzane.
Wyłączone dla modeli klastra.
Element zwracane typy Próg
Należy określić wartość z przedziału od 0 do 1, wskazująca, że prawdopodobieństwo przewidywanie, powyżej którego stanu przewidywane jest uważana za poprawne.Wartość zestaw w przyrostach 0,1.Wartość domyślna to null, wskazując przewidywanie najbardziej prawdopodobne jest liczony jako poprawne.
Uwaga
Chociaż zestaw wartość 0. 0, za pomocą tej wartości spowoduje wydłużenie czas przetwarzania i nie dają znaczące wyniki.
Uzyskiwanie wyniki
Kliknij, aby rozpocząć krzyżowe sprawdzanie poprawności modelu, korzystając z określonymi parametrami.Model jest podzielony na partycje do określonej liczby zgięcia i oddzielny model jest testowany pod kątem każdej zagięć.Dlatego może zająć trochę czas między sprawdzania poprawności do zwracania wyniki.
Aby uzyskać więcej informacji dotyczących sposobu interpretacji wyniki raport sprawdzania krzyżowe sprawdzanie poprawności zobacz Raport sprawdzania poprawności między (Analysis Services — wyszukiwanie danych).
Ustawianie próg dokładność
Można kontrolować standardowego do pomiaru przewidywanie dokładność przez ustawienie wartości dla miejsce doceloweProgu.Próg stanowi rodzaj paska dokładności.Każdy przewidywanie przydzielono prawdopodobieństwo, że przewidywane wartości są poprawne.Dlatego jeśli użytkownik zestaw miejsce docelowe Wartość progowa bliżej 1, które wymagają, prawdopodobieństwa dla każdej określonej przewidywanie jest stosunkowo wysoka, aby traktowany jak dobre przewidywanie.I odwrotnie jeśli użytkownik zestaw miejsce docelowe Próg bliżej do 0, prognoz nawet niższej wartości prawdopodobieństwa liczy się jako "dobry" prognoz.
Brak wartości progu zalecane, ponieważ prawdopodobieństwo wszelkie przewidywanie zależy od ilości danych i rodzaj tworzonego przewidywanie.Należy zapoznać się z niektórych prognoz na poziomie różnych prawdopodobieństwo do określenia słupek odpowiednie dokładności danych.Ważne jest wykonanie, ponieważ wartości, które zestaw dla miejsce docelowe Próg ma wpływ na dokładność mierzone w modelu.
Załóżmy na przykład, że trzy prognoz są obliczane dla stanu określonego docelowego i prawdopodobieństw każdego przewidywanie są równe 0,05, 0,15 i 0,8.Jeśli użytkownik zestaw progu do przewidywanie tylko jedną wartość 0,5, jest liczony jako poprawne.Jeśli użytkownik zestaw miejsce docelowe Próg do 0,10 dwóch prognoz są liczone jako poprawne.
Kiedy miejsce docelowe Ustawiono wartość progowanull, która jest wartością domyślną najbardziej prawdopodobne przewidywanie dla każdego przypadek jest liczony jako poprawne. W przykładzie po prostu cytowane 0,05, 0,15 i 0,8 są prawdopodobieństw dla prognoz w trzech różnych przypadkach.Chociaż prawdopodobieństw bardzo się różnią, każdy przewidywanie będzie traktowany jako poprawne, ponieważ każdy przypadek generuje tylko jeden przewidywanie i te są najlepsze przewidywanie dla tych s przypadek.
See Also