Примечание.
Для доступа к этой странице требуется авторизация. Вы можете попробовать войти или изменить каталоги.
Для доступа к этой странице требуется авторизация. Вы можете попробовать изменить каталоги.
Применимо к:
SQL Server 2019 и более ранних версий Analysis Services 
Azure Analysis Services Fabric/Power BI Premium
Это важно
Интеллектуальный анализ данных был признан устаревшим в службах SQL Server 2017 Analysis Services и теперь прекращён в службах SQL Server 2022 Analysis Services. Документация не обновляется для устаревших и прекращённых функций. Дополнительные сведения см. в статье о обратной совместимости служб Analysis Services.
После разработки и обработки модели интеллектуального анализа данных с использованием данных из базовой структуры интеллектуального анализа данных модель интеллектуального анализа данных будет завершена и содержит содержимое модели интеллектуального анализа данных. Это содержимое можно использовать для прогнозирования или анализа данных.
Содержимое модели интеллектуального анализа данных включает метаданные о модели, статистику данных и паттерны, выявленные алгоритмом интеллектуального анализа данных. В зависимости от используемого алгоритма содержимое модели может включать формулы регрессии, определения правил и наборов элементов, весы и другие статистические данные.
Независимо от используемого алгоритма содержимое модели интеллектуального анализа данных представлено в стандартной структуре. Вы можете просмотреть структуру в средстве просмотра дерева содержимого Универсального содержимого Майкрософт, предоставляемую в SQL Server Data Tools, а затем перейти на один из пользовательских средств просмотра, чтобы узнать, как информация интерпретируется и отображается графически для каждого типа модели. Вы также можете создавать запросы к содержимому аналитической модели с помощью любого клиента, поддерживающего строковую схему MINING_MODEL_CONTENT. Дополнительные сведения см. в разделе "Задачи запросов интеллектуального анализа данных" и "Практическое руководство".
В этом разделе описывается базовая структура содержимого, предоставленного для всех типов моделей майнинга. В нем описываются типы узлов, которые являются общими для всех содержимому модели майнинга данных, и приводятся рекомендации по интерпретации информации.
Структура содержимого модели майнинга
Содержимое модели добычи данных по типу алгоритма
Инструменты просмотра содержимого модели интеллектуального анализа данных
Инструменты для запросов содержимого модели анализа данных
Структура содержимого модели данных
Содержимое каждой модели представлено в виде ряда узлов. Узел — это объект в модели интеллектуального анализа данных, содержащий метаданные и сведения о части модели. Узлы упорядочены в иерархии. Точное расположение узлов в иерархии и значение иерархии зависит от используемого алгоритма. Например, если вы создаете модель деревьев принятия решений, модель может содержать несколько деревьев, все подключенные к корневому каталогу модели; При создании модели нейронной сети модель может содержать одну или несколько сетей, а также узел статистики.
Первый узел в каждой модели называется корневым узлом или родительским узлом модели. Каждая модель имеет корневой узел (NODE_TYPE = 1). Корневой узел обычно содержит некоторые метаданные о модели, а также количество дочерних узлов, но мало дополнительных сведений о шаблонах, обнаруженных моделью.
В зависимости от того, какой алгоритм использовался для создания модели, корневой узел имеет разное количество дочерних узлов. Дочерние узлы имеют разные значения и содержат разное содержимое в зависимости от алгоритма и глубины и сложности данных.
Узлы в содержимом модели интеллектуального анализа данных
В модели анализа данных узел — это контейнер общего назначения, в котором хранится информация обо всей модели или её части. Структура каждого узла всегда одинакова и содержит столбцы, определенные набором строк схемы интеллектуального анализа данных.
Каждый узел содержит метаданные о узле, включая идентификатор, уникальный в каждой модели, идентификатор родительского узла и количество дочерних узлов, которые имеет узел. Метаданные определяют модель, к которой принадлежит узел, и каталог базы данных, в котором хранится эта конкретная модель. Дополнительное содержимое, предоставленное на узле, отличается в зависимости от типа алгоритма, используемого для создания модели, и может содержать следующее:
Количество случаев в данных обучающих выборок, поддерживающих определенное прогнозируемое значение.
Статистика, например, среднее, стандартное отклонение или дисперсия.
Коэффициенты и формулы.
Определение правил и боковых указателей.
Фрагменты XML, описывающие часть модели.
Список типов узлов содержимого добычи данных
В моделях интеллектуального анализа данных различные типы узлов представлены в следующей таблице. Так как каждый алгоритм обрабатывает информацию по-разному, каждая модель создает только несколько конкретных типов узлов. При изменении алгоритма тип узлов может измениться. Кроме того, при повторной обработке модели содержимое каждого узла может измениться.
Замечание
Если вы используете другую службу интеллектуального анализа данных или создаете собственные плагинные алгоритмы, могут быть доступны дополнительные типы пользовательских узлов.
| идентификатор NODE_TYPE | Метка узла | Содержимое узла |
|---|---|---|
| 1 | Модель | Метаданные и корневой узел содержимого. Применяется ко всем типам моделей. |
| 2 | Tree | Корневой узел дерева классификации. Применяется к моделям дерева принятия решений. |
| 3 | Interior | Внутренний разделяющий узел в дереве. Применяется к моделям дерева принятия решений. |
| 4 | Распределение | Конечный узел дерева. Применяется к моделям дерева принятия решений. |
| 5 | Cluster | Кластер, обнаруженный алгоритмом. Применяется к моделям кластеризации и моделям кластеризации последовательностей. |
| 6 | Неизвестно | Неизвестный тип узла. |
| 7 | ItemSet | Набор элементов, обнаруженный алгоритмом. Применяется к моделям ассоциации или моделям кластеризации последовательностей. |
| 8 | правило ассоциации | Правило ассоциации, обнаруженное алгоритмом. Применяется к моделям ассоциации или моделям кластеризации последовательностей. |
| 9 | ПредсказуемыйAttribute | Прогнозируемый атрибут. Применяется ко всем типам моделей. |
| 10 | АтрибутВвода | Входной атрибут. Применяется к деревьям принятия решений и наивным моделям Байес. |
| 11 | СостояниеВходногоАтрибута | Статистика состояния входного атрибута. Применяется к деревьям принятия решений и наивным моделям Байес. |
| 13 | Последовательность | Верхний узел для компонента модели Markov в кластере последовательностей. Применяется к моделям кластеризации последовательностей. |
| 14 | Transition | Матрица перехода Markov. Применяется к моделям кластеризации последовательностей. |
| 15 | TimeSeries | Некорневой узел дерева временных рядов. Применяется только к моделям временных рядов. |
| 16 | TsTree | Корневой узел дерева временных рядов, соответствующий прогнозируемым временным рядам. Применяется к моделям временных рядов и только в том случае, если модель была создана с помощью параметра MIXED. |
| 17 | NNetSubnetwork | Одна подсеть. Применяется к моделям нейронной сети. |
| 18 | NNetInputLayer | Группа, содержащая узлы входного слоя. Применяется к моделям нейронной сети. |
| 19 | NNetHiddenLayer | Группы, содержащие узлы, описывающие скрытый слой. Применяется к моделям нейронной сети. |
| двадцать один | NNetOutputLayer | Группы, содержащие узлы выходного слоя. Применяется к моделям нейронной сети. |
| двадцать один | NNetInputNode | Узел в входном слое, который соответствует входным атрибутам с соответствующими состояниями. Применяется к моделям нейронной сети. |
| двадцать два | NNetHiddenNode | Узел в скрытом слое. Применяется к моделям нейронной сети. |
| 23 | NNetOutputNode | Узел в выходном слое. Обычно этот узел соответствует выходному атрибуту и соответствующим состояниям. Применяется к моделям нейронной сети. |
| двадцать четыре | NNetMarginalNode | Сводная статистика по учебному набору данных. Применяется к моделям нейронной сети. |
| двадцать пять | Корень регрессионного дерева | Корень дерева регрессии. Применяется к моделям линейной регрессии и к моделям деревьев принятия решений, которые содержат непрерывные входные атрибуты. |
| 26 | NaiveBayesMarginalStatNode | Маргинальная статистика по набору обучения. Применяется к наивным моделям Bayes. |
| двадцать семь | ArimaRoot | Корневой узел модели ARIMA. Применяется только к тем моделям временных рядов, которые используют алгоритм ARIMA. |
| 28 | ArimaPeriodicStructure | Периодическая структура в модели ARIMA. Применяется только к тем моделям временных рядов, которые используют алгоритм ARIMA. |
| 29 | ArimaAutoRegressive | Коэффициент авторегрессии для одного члена в модели ARIMA. Применяется только к тем моделям временных рядов, которые используют алгоритм ARIMA. |
| 30 | ArimaMovingAverage | Коэффициент скользящего среднего значения для одного термина в модели ARIMA. Применяется только к тем моделям временных рядов, которые используют алгоритм ARIMA. |
| 1000 | CustomBase | Отправная точка для пользовательских типов узлов. Пользовательские типы узлов должны быть целыми числами, превышающими значение этой константы. Применяется к моделям, созданным с помощью пользовательских алгоритмов подключаемых модулей. |
Идентификатор узла, имя, подпись и описание
Корневой узел любой модели всегда имеет уникальный идентификатор (NODE_UNIQUE_NAME) 0. Все идентификаторы узлов назначаются автоматически службами Analysis Services и не могут быть изменены.
Корневой узел для каждой модели также содержит некоторые основные метаданные о модели. Эти метаданные включают базу данных служб Analysis Services, в которой хранится модель (MODEL_CATALOG), схему (MODEL_SCHEMA), а также имя модели (MODEL_NAME). Однако эти сведения повторяются во всех узлах модели, поэтому вам не нужно запрашивать корневой узел, чтобы получить эти метаданные.
Помимо имени, используемого в качестве уникального идентификатора, каждый узел имеет имя (NODE_NAME). Это имя автоматически создается алгоритмом для отображения и не может быть изменено.
Замечание
Алгоритм кластеризации Майкрософт позволяет пользователям назначать понятные имена каждому кластеру. Однако эти понятные имена не сохраняются на сервере и при повторной обработке модели алгоритм создаст новые имена кластеров.
Подпись и описание для каждого узла автоматически создаются алгоритмом и служат метками, которые помогут вам понять содержимое узла. Текст, созданный для каждого поля, зависит от типа модели. В некоторых случаях имя, подпись и описание могут содержать точно ту же строку, но в некоторых моделях описание может содержать дополнительные сведения. Дополнительные сведения о реализации см. в разделе об отдельном типе модели.
Замечание
Сервер служб Analysis Services поддерживает переименование узлов только в том случае, если вы создаете модели с помощью пользовательского алгоритма подключаемого модуля, реализующего переименование,. Чтобы включить переименование, необходимо переопределить методы при создании алгоритма подключаемого модуля.
Родители узлов, потомки узлов и кардинальность узлов
Связь между родительскими и дочерними узлами в структуре дерева определяется значением столбца PARENT_UNIQUE_NAME. Это значение хранится в дочернем узле и сообщает идентификатор родительского узла. Ниже приведены некоторые примеры использования этой информации:
PARENT_UNIQUE_NAME, который имеет значение NULL, означает, что узел является главным узлом модели.
Если значение PARENT_UNIQUE_NAME равно 0, узел должен быть прямым потомком верхнего узла в модели. Это связано с тем, что идентификатор корневого узла всегда равен 0.
В запросах расширений интеллектуального анализа данных (DMX) можно использовать функции для поиска потомков или родителей определенного узла. Дополнительные сведения об использовании функций в запросах см. в разделе "Запросы интеллектуального анализа данных".
Кардинальность относится к числу элементов в множестве. В контексте обработанной модели майнинга процессов кратность указывает количество дочерних элементов в определенном узле. Например, если модель дерева принятия решений имеет узел для [Годовой доход], а этот узел имеет два дочерних узла, один для условия [Годовой доход] = высокий и один для условия, [Годовой доход] = Низкий, значение CHILDREN_CARDINALITY для узла [Годовой доход] будет 2.
Замечание
В службах SQL Server Analysis Services при вычислении кратности узла учитываются только непосредственные дочерние узлы. Однако при создании пользовательского алгоритма плагина можно перегрузить CHILDREN_CARDINALITY, чтобы подсчитывать кратность иначе. Это может быть полезно, например, если вы хотите подсчитать общее число потомков, а не только непосредственных детей.
Хотя кратность учитывается одинаково для всех моделей, то как вы интерпретируете или используете значение кратности, отличается в зависимости от типа модели. Например, в модели кластеризации кратность верхнего узла указывает общее количество найденных кластеров. В других типах моделей кратность всегда может иметь заданное значение в зависимости от типа узла. Дополнительные сведения о интерпретации кратности см. в разделе об отдельном типе модели.
Замечание
Некоторые модели, такие как созданные алгоритмом нейронной сети Майкрософт, также содержат специальный тип узла, предоставляющий описательную статистику об обучающих данных для всей модели. По определению эти узлы никогда не имеют дочерних узлов.
Распределение узлов
Столбец NODE_DISTRIBUTION содержит вложенную таблицу, которая во многих узлах предоставляет важные и подробные сведения о шаблонах, обнаруженных алгоритмом. Точные статистические данные, предоставляемые в этой таблице, изменяются в зависимости от типа модели, положения узла в дереве и того, является ли прогнозируемый атрибут непрерывным числовым значением или дискретным значением; однако они могут включать минимальные и максимальные значения атрибута, весовые значения, назначенные значениям, количество случаев в узле, коэффициенты, используемые в формуле регрессии, и статистические меры, такие как стандартное отклонение и дисперсия. Дополнительные сведения о интерпретации распределения узлов см. в разделе о конкретном типе модели, с которым вы работаете.
Замечание
Таблица NODE_DISTRIBUTION может быть пуста в зависимости от типа узла. Например, некоторые узлы служат исключительно для организации коллекции дочерних узлов, а подробную статистику содержат именно эти дочерние узлы.
Вложенная таблица, NODE_DISTRIBUTION, всегда содержит следующие столбцы. Содержимое каждого столбца зависит от типа модели. Дополнительные сведения о конкретных типах моделей см. в разделе "Содержимое модели интеллектуального анализа данных по типу алгоритма".
ATTRIBUTE_NAME
Содержимое зависит от алгоритма. Может быть именем столбца, например прогнозируемым атрибутом, правилом, набором элементов или частью информации, внутренней для алгоритма, например частью формулы.
Этот столбец также может содержать пару "атрибут-значение".
ATTRIBUTE_VALUE
Значение атрибута, именованного в ATTRIBUTE_NAME.
Если имя атрибута является столбцом, то в самом простом случае ATTRIBUTE_VALUE содержит одно из дискретных значений для этого столбца.
В зависимости от того, как алгоритм обрабатывает значения, ATTRIBUTE_VALUE также может содержать флаг, указывающий, существует ли значение для атрибута (существующего), или значение равно null (отсутствует).
Например, если ваша модель настроена для поиска клиентов, которые приобрели определенный элемент по крайней мере один раз, столбец ATTRIBUTE_NAME может содержать пару "атрибут-значение", которая определяет интересующий элемент, например Model = 'Water bottle', столбец ATTRIBUTE_VALUE будет содержать только ключевое слово "Существующий " или "Отсутствующий".
ПОДДЕРЖКА
Количество случаев, имеющих эту пару "атрибут-значение", или содержащую этот набор элементов или правило.
Как правило, для каждого узла значение поддержки указывает, сколько случаев в наборе обучения включены в текущий узел. В большинстве типов моделей поддержка представляет собой точное количество случаев. Значения поддержки полезны, так как вы можете просматривать распределение данных в учебных случаях, не запрашивая данные обучения. Сервер служб Analysis Services также использует эти сохраненные значения для вычисления хранимой вероятности и предыдущей вероятности, чтобы определить, является ли вывод сильным или слабым.
Например, в дереве классификации значение поддержки указывает количество случаев, имеющих описанное сочетание атрибутов.
В дереве принятия решений сумма поддержки на каждом уровне равна поддержке родительского узла. Например, если модель, содержащая 1200 случаев, равномерно разделена по полу, а затем равномерно разделена по трем значениям дохода — низкий, средний и высокий — то дочерние узлы узла (2), которые являются узлами (4), (5) и (6), всегда суммируются до такого же числа случаев, как и узел (2).
| Идентификатор узла и атрибуты узла | Число поддержки |
|---|---|
| (1) Корень модели | 1200 |
| (2) Пол = Мужской (3) Пол = женщина |
600 600 |
| (4) Пол = мужчина и доход = высокий (5) Пол = мужской и доход = средний (6) Пол = мужской и доход = низкий |
200 200 200 |
| (7) Пол = женщина и доход = высокий (8) Пол = женщина и доход = средний (9) Пол = женщина и доход = низкий |
200 200 200 |
Для модели кластеризации число поддержки может быть взвешано для включения вероятностей принадлежности к нескольким кластерам. Множественная принадлежность к кластерам — это метод кластеризации по умолчанию. В этом сценарии, так как каждый элемент не обязательно принадлежит одному и только одному кластеру, доля в этих моделях может не составлять 100 процентов по всем кластерам.
ВЕРОЯТНОСТЬ
Указывает вероятность для этого конкретного узла в пределах всей модели.
Как правило, вероятность представляет поддержку этого конкретного значения, разделенного на общее количество случаев в узле (NODE_SUPPORT).
Однако вероятность немного корректируется, чтобы устранить предвзятость, вызванную отсутствующими значениями в данных.
Например, если текущие значения для [Total Children] — "Один" и "Два", необходимо избежать создания модели, которая прогнозирует, что невозможно не иметь детей, или иметь троих детей. Чтобы убедиться, что отсутствующие значения являются невероятными, но не невозможными, алгоритм всегда добавляет 1 к количеству фактических значений для любого атрибута.
Пример:
Вероятность [всего детей = один] = [число случаев, когда общее число детей = один] + 1/[число всех случаев] + 3
Вероятность [всего детей = два]= [число случаев, когда общее число детей = два] +1/[число всех случаев] +3
Замечание
Корректировка 3 вычисляется путем добавления 1 к общему числу существующих значений, n.
После корректировки вероятности всех значений по-прежнему суммируются до 1. Вероятность для значения без данных (в этом примере [Total Children = "Ноль", "Три" или другое значение]), начинается с очень низкого ненулевых уровней и медленно увеличивается по мере добавления дополнительных случаев.
ОТКЛОНЕНИЕ
Указывает дисперсию значений в узле. По определению вариативность всегда составляет 0 для дискретных значений. Если модель поддерживает непрерывные значения, вариативность вычисляется как σ (sigma), используя знаменатель n или число случаев в узле.
Существует два определения, которые обычно используются для представления стандартного отклонения (StDev). Один метод вычисления стандартного отклонения учитывает предвзятость, а другой метод вычисляет стандартное отклонение без использования смещения. Как правило, алгоритмы интеллектуального анализа данных Майкрософт не используют предвзятость при вычислении стандартного отклонения.
Значение, отображаемое в таблице NODE_DISTRIBUTION, является фактическим значением для всех дискретных и дискретизированных атрибутов, а также средним значением для непрерывных значений.
VALUE_TYPE
Указывает тип данных значения или атрибута, а также использование значения. Некоторые типы значений применяются только к определенным типам моделей:
| идентификатор VALUE_TYPE | Метка значения | Имя типа значения |
|---|---|---|
| 1 | Отсутствует | Указывает, что данные кейса не имели значения для этого атрибута. Отсутствующее состояние вычисляется отдельно от атрибутов, имеющих значения. |
| 2 | Существующий | Указывает, что данные случая содержат значение для этого атрибута. |
| 3 | Непрерывный | Указывает, что значение атрибута является непрерывным числовым значением и поэтому может быть представлено средним значением вместе с дисперсией и стандартным отклонением. |
| 4 | Дискретный | Указывает значение, числовое или текстовое, которое рассматривается как дискретное. Примечание Дискретные значения также могут быть отсутствуют; однако они обрабатываются по-разному при выполнении вычислений. В разделе "Отсутствующие значения" (Analysis Services — интеллектуальный анализ данных) см. сведения. |
| 5 | Дискретизировано | Указывает, что атрибут содержит числовые значения, которые были дискретизированы. Это значение будет отформатированной строкой, описывающей контейнеры дискретизации. |
| 6 | Существующий | Указывает, что атрибут имеет непрерывные числовые значения и что значения были предоставлены в данных, в отличие от значений, которые отсутствуют или выводятся. |
| 7 | Коэффициент | Указывает числовое значение, представляющее коэффициент. Коэффициент — это значение, применяемое при вычислении значения зависимой переменной. Например, если модель создает формулу регрессии, которая прогнозирует доход на основе возраста, коэффициент используется в формуле, которая связывает возраст с доходом. |
| 8 | Увеличение оценки | Указывает числовое значение, представляющее получение оценки для атрибута. |
| 9 | Statistics | Указывает числовое значение, представляющее статистику регрессии. |
| 10 | Уникальное имя узла | Указывает, что значение не должно обрабатываться как числовое или строковое, а как уникальный идентификатор другого узла содержимого в модели. Например, в модели нейронной сети идентификаторы предоставляют указатели от узлов в выходном слое к узлам в скрытом слое и от узлов в скрытом слое к узлам входного слоя. |
| 11 | Перехватывать | Указывает числовое значение, представляющее перехват в формуле регрессии. |
| 12 | Периодичность | Указывает, что значение обозначает периодическую структуру в модели. Применяется только к моделям временных рядов, содержащим модель ARIMA. Примечание. Алгоритм временных рядов Майкрософт автоматически обнаруживает периодические структуры на основе обучающих данных. В результате периодичность в конечной модели может включать значения периодических значений, которые не были предоставлены в качестве параметра при создании модели. |
| 13 | Авторегрессивный порядок | Указывает, что значение представляет количество авторегрессионных рядов. Применяется к моделям временных рядов, использующих алгоритм ARIMA. |
| 14 | Скользящее среднее порядка | Представляет значение, представляющее число скользящих средних в ряде. Применяется к моделям временных рядов, использующих алгоритм ARIMA. |
| 15 | Порядок различий | Указывает, что значение представляет, сколько раз ряд подвергался дифференцированию. Применяется к моделям временных рядов, использующих алгоритм ARIMA. |
| 16 | Boolean | Представляет логический тип. |
| 17 | Other | Представляет настраиваемое значение, определенное алгоритмом. |
| 18 | Предопределенная строка | Представляет настраиваемое значение, которое алгоритм отображает в виде строки. Форматирование не было применено объектной моделью. |
Типы значений являются производными от перечисления ADMOMD.NET. Дополнительные сведения см. в разделе Microsoft.AnalysisServices.AdomdServer.MiningValueType.
Оценка узла
Значение оценки узла отличается в зависимости от типа модели и может быть конкретным для типа узла. Сведения о том, как вычисляется NODE_SCORE для каждой модели и типа узла, см. в разделе "Содержимое модели по типу алгоритма".
Вероятность узла и маргинальная вероятность
Набор строк схемы модели добычи данных включает столбцы NODE_PROBABILITY и MARGINAL_PROBABILITY для всех типов моделей. Эти столбцы содержат значения только в узлах, где значение вероятности имеет смысл. Например, корневой узел модели никогда не содержит оценку вероятности.
В этих узлах, которые предоставляют оценки вероятностей, вероятность узла и маргинальные вероятности представляют различные вычисления.
Маргинальная вероятность — вероятность достижения узла от родительского элемента.
Вероятность узла — это вероятность достижения узла из корня.
Вероятность узла всегда меньше или равна маргинальной вероятности.
Например, если население всех клиентов в дереве принятия решений разделено по полу (и нет отсутствующих значений), вероятность дочерних узлов должна быть .5. Однако, предположим, что узлы, отнесенные к половым признакам, равномерно распределены по уровням дохода: высокому, среднему и низкому. В этом случае оценка MARGINAL_PROBABILITY для каждого дочернего узла всегда должна быть .33, но значение NODE_PROBABILTY будет продуктом всех вероятностей, ведущих к этому узлу, поэтому всегда меньше значения MARGINAL_PROBABILITY.
| Уровень узла или атрибута и значения | Маргинальная вероятность | Вероятность узла |
|---|---|---|
| Корень модели Все целевые клиенты |
1 | 1 |
| Целевые клиенты разделяются по полу | 0.5 | 0.5 |
| Целевые клиенты сначала делятся по полу, а затем на три категории по доходу. | .33 | .5 * .33 = .165 |
Правило узла и маргинальное правило
Набор строк схемы модели интеллектуального анализа данных также включает столбцы NODE_RULE и MARGINAL_RULE для всех типов моделей. Эти столбцы содержат фрагменты XML, которые можно использовать для сериализации модели или представления части структуры модели. Эти столбцы могут быть пустыми для некоторых узлов, если значение будет бессмысленным.
Предоставляются два типа правил XML, аналогичные двум типам значений вероятности. Фрагмент XML в MARGINAL_RULE определяет атрибут и значение текущего узла, а фрагмент XML в NODE_RULE описывает путь к текущему узлу из корневого каталога модели.
Содержимое модели добычи данных по типу алгоритма
Каждый алгоритм хранит различные типы информации в рамках схемы содержимого. Например, алгоритм кластеризации Майкрософт создает множество дочерних узлов, каждый из которых представляет возможный кластер. Каждый узел кластера содержит правила, описывающие характеристики, общие для элементов в кластере. В отличие от этого, алгоритм линейной регрессии Майкрософт не содержит дочерних узлов; Вместо этого родительский узел модели содержит уравнение, описывающее линейную связь, обнаруженную анализом.
В следующей таблице приведены ссылки на разделы для каждого типа алгоритма.
Разделы содержимого модели: Объясните смысл каждого типа узла для каждого типа алгоритма и укажите рекомендации по наиболее интересующим узлам определенному типу модели.
Запросы по темам: Предоставьте примеры запросов к конкретному типу модели и рекомендации по интерпретации результатов.
Инструменты просмотра содержимого модели интеллектуального анализа данных
При просмотре или изучении модели в SQL Server Data Tools можно просматривать сведения в средстве просмотра дерева содержимого Microsoft Generic Content Tree Viewer, который доступен как в SQL Server Data Tools, так и в SQL Server Management Studio.
Средство просмотра универсального содержимого Microsoft отображает столбцы, правила, свойства, атрибуты, узлы и другое содержимое модели, используя ту же информацию, которая доступна в наборе строк схемы содержимого модели анализа данных. Набор строк схемы содержимого — это универсальная платформа для представления подробных сведений о содержимом модели интеллектуального анализа данных. Содержимое модели можно просмотреть в любом клиенте, поддерживающем иерархические наборы строк. Средство просмотра в SQL Server Data Tools представляет эти сведения в средстве просмотра таблиц HTML, представляющего все модели в согласованном формате, что упрощает понимание структуры создаваемых моделей. Дополнительные сведения см. в статье "Обзор модели с помощью средства просмотра дерева универсального содержимого Майкрософт".
Инструменты для запроса содержимого модели интеллектуального анализа данных
Чтобы получить содержимое модели интеллектуального анализа данных, необходимо создать запрос к модели интеллектуального анализа данных.
Самый простой способ создать запрос на содержимое — выполнить следующую инструкцию DMX в SQL Server Management Studio:
SELECT * FROM [<mining model name>].CONTENT
Дополнительные сведения см. в разделе "Запросы интеллектуального анализа данных".
Вы также можете обращаться к содержимому модели интеллектуального анализа данных, используя наборы строк схемы интеллектуального анализа данных. Набор строк схемы — это стандартная структура, используемая клиентами для обнаружения, просмотра и запроса сведений о структурах и моделях интеллектуального анализа данных. Наборы строк схемы можно запрашивать с помощью инструкций XMLA, Transact-SQL или DMX.
В SQL Server 2017 вы также можете получить доступ к данным в наборах строк схемы интеллектуального анализа данных, открыв подключение к экземпляру служб SQL Server Analysis Services и запросив системные таблицы. Дополнительные сведения см. в разделе "Наборы строк схемы интеллектуального анализа данных" (SSAs).
См. также
Средство просмотра дерева универсального содержимого Майкрософт (интеллектуальный анализ данных)
Алгоритмы интеллектуального анализа данных (Analysis Services — интеллектуальный анализ данных)