SystemGetAccuracyResults (службы Analysis Services — интеллектуальный анализ данных)

  • Статья

Применимо к: SQL Server 2019 и более ранних версий Analysis Services Azure Analysis Services Fabric/Power BI Premium

Важно!

Интеллектуальный анализ данных не рекомендуется использовать в службах SQL Server 2017 Analysis Services, а в SQL Server 2022 Analysis Services его поддержка прекращена. Документация не обновляется для устаревших и неподдерживаемых функций. Дополнительные сведения см. в статье об обратной совместимости служб Analysis Services.

Возвращает показатели точности перекрестной проверки для структуры интеллектуального анализа и всех связанных с ней моделей, исключая модели кластеризации.

Эта хранимая процедура возвращает показатели для всего набора данных как единой секции. Чтобы разделить набор данных на перекрестные разделы и возвращать метрики для каждой секции, используйте SystemGetCrossValidationResults (службы Analysis Services — интеллектуальный анализ данных).

Примечание

Эта хранимая процедура не поддерживается для моделей, созданных с помощью алгоритма временных рядов (Майкрософт) или алгоритма кластеризации последовательностей (Майкрософт). Кроме того, для кластеризация моделей используйте отдельную хранимую процедуру SystemGetClusterAccuracyResults (службы Analysis Services — интеллектуальный анализ данных).

Синтаксис

  
SystemGetAccuracyResults(<mining structure>,   
[,<mining model list>]  
,<data set>  
,<target attribute>  
[,<target state>]  
[,<target threshold>]  
[,<test list>])

Аргументы

Структура интеллектуального анализа данных
Имя структуры интеллектуального анализа данных в текущей базе данных.

(обязательно)

список моделей
Список моделей для проверки с разделителями-запятыми.

Значение по умолчанию — NULL. Это означает, что используются все применимые модели. При использовании значения по умолчанию кластеризованные модели автоматически исключаются из списка обработки.

(необязательно)

набор данных
Целочисленное значение, указывающее, что секция в структуре интеллектуального анализа используется для тестирования. Это значение получается из битовой маски, которая представляет сумму следующих значений, каждое из которых в отдельности является необязательным:

Категория Значение
Обучающие варианты 0x0001
Проверочные варианты 0x0002
Фильтр модели 0x0004

Полный список возможных значений см. в подразделе «Примечания» этого раздела.

(обязательно)

целевой атрибут
Строка, содержащая имя прогнозируемого объекта. Прогнозируемый объект может быть столбцом, вложенным столбцом таблицы или вложенным ключевым столбцом модели интеллектуального анализа данных.

(обязательно)

целевое состояние
Строка, содержащая конкретное значения для прогноза.

Если значение задано, показатели собираются для данного конкретного состояния.

Если значение не задано или равно NULL, показатели вычисляются для более вероятного состояния каждого прогноза.

Значение по умолчанию — NULL.

(необязательно).

целевой порог
Число от 0,0 до 1, определяющее минимальную вероятность, при которой прогнозируемое значение будет считаться правильным.

По умолчанию это значение равно null, оно означает, что правильными считаются все прогнозы.

(необязательно).

список тестирования
Строка, указывающая параметры тестирования. Этот параметр зарезервирован для использования в будущем.

(необязательно).

Тип возвращаемых данных

Возвращенный набор строк содержит оценки по каждой секции и статистической функции для всех моделей.

Следующая таблица содержит список столбцов, возвращаемых методом GetValidationResults.

Имя столбца Описание
Моделирование Имя протестированной модели. ЗначениеВсе указывает, что результат представляет собой статистическое выражение, полученное для всех моделей.
AttributeName Имя прогнозируемого столбца.
AttributeState Целевое значение в прогнозируемом столбце.

Если столбец содержит значение, показатели собираются только для заданного состояния.

Если значение не задано или равно NULL, показатели вычисляются для наиболее вероятного состояния каждого прогноза.
PartitionIndex Определяет секцию, к которой применяется результат.

Для этой процедуры значение всегда равно 0.
PartitionCases Целое число, указывающее количество строк в наборе регистров на <основе параметра набора> данных.
Тест Тип выполненного теста.
Мера Имя меры, возвращенной тестом. Меры для каждой модели зависят от типа модели и типа прогнозируемого значения.

Список мер, возвращаемых для каждого прогнозируемого типа, см. в разделе Меры в отчете перекрестной проверки.

Определение каждой меры см. в разделе Перекрестная проверка (службы Analysis Services — интеллектуальный анализ данных).
Значение Значение для заданной меры.

Комментарии

В следующей таблице приводятся примеры значений, с помощью которых можно указать в структуре интеллектуального анализа данные, используемые для перекрестной проверки. Если для перекрестной проверки нужно использовать проверочные варианты, то структура интеллектуального анализа данных должна содержать набор проверочных данных. Сведения о том, как определить набор проверочных данных во время создания структуры интеллектуального анализа данных, см. в разделе Обучающие и проверочные наборы данных.

Целое значение Описание
1 Используются только обучающие варианты.
2 Используются только проверочные варианты.
3 Используются и обучающие и проверочные варианты.
4 Недопустимое сочетание.
5 Используются только обучающие варианты, и применяется фильтр модели.
6 Используются только проверочные варианты, и применяется фильтр модели.
7 Используются и обучающие и проверочные варианты, и применяется фильтр модели.

Дополнительные сведения о сценариях, в которых используется перекрестная проверка, см. в разделе Тестирование и проверка (интеллектуальный анализ данных).

Примеры

Этот пример возвращает меры точности для одной модели дерева принятия решений, v Target Mail DT, связанного со структурой интеллектуального анализа vTargetMail . Код в четвертой строке указывает, что результаты должны быть основаны на вариантах проверки, отфильтрованных конкретным фильтром для каждой модели. [Bike Buyer] задает столбец для прогноза, а значение 1 на следующей строке указывает, что модель необходимо оценивать только для заданной цифры 1, означающей «Да, купит».

В последней строке кода задано пороговое значение состояния, равное 0,5. Оно означает, что прогнозы с вероятностью более 50 процентов при вычислении точности следует продолжать как «хорошие».

CALL SystemGetAccuracyResults (  
[vTargetMail],  
[vTargetMail DT],  
6,  
'Bike Buyer',  
1,  
0.5  
)

Образец результатов:

ModelName AttributeName AttributeState PartitionIndex PartitionSize Тест Мера Значение
v Target Mail DT Покупатель велосипеда 1 0 1638 Классификация Истинный положительный результат 605
v Target Mail DT Покупатель велосипеда 1 0 1638 Классификация Ложный положительный результат 177
v Target Mail DT Покупатель велосипеда 1 0 1638 Классификация Истинный отрицательный результат 501
v Target Mail DT Покупатель велосипеда 1 0 1638 Классификация Ложный отрицательный результат 355
v Target Mail DT Покупатель велосипеда 1 0 1638 Вероятность Логарифмическая оценка -0.598454638753028
v Target Mail DT Покупатель велосипеда 1 0 1638 Вероятность Точность прогноза 0.0936717116894395
v Target Mail DT Покупатель велосипеда 1 0 1638 Вероятность Корень среднеквадратичной погрешности 0.361630800104946

Требования

Перекрестная проверка доступна только в SQL Server Enterprise начиная с SQL Server 2008 года.

См. также:

SystemGetCrossValidationResults (службы Analysis Services — интеллектуальный анализ данных)
SystemGetAccuracyResults, хранимая процедура
Хранимая процедура SystemGetClusterCrossValidationResults (службы Analysis Services — интеллектуальный анализ данных)
Метод SystemGetClusterAccuracyResults (службы Analysis Services — интеллектуальный анализ данных)