Алгоритм нейронной сети Майкрософт

В службах SQL Server Analysis Services алгоритм нейронной сети Майкрософт объединяет каждое возможное состояние входного атрибута с каждым возможным состоянием прогнозируемого атрибута и использует обучающие данные для вычисления вероятностей. Позже эти вероятности можно использовать для классификации или регрессии, а также для прогнозирования результата прогнозируемого атрибута на основе входных атрибутов.

Модель интеллектуального анализа данных, созданная с помощью алгоритма нейронной сети Майкрософт, может содержать несколько сетей в зависимости от количества столбцов, используемых для ввода и прогнозирования, или используемых только для прогнозирования. Количество сетей, содержащих одну модель интеллектуального анализа данных, зависит от количества состояний, содержащихся входными столбцами и прогнозируемыми столбцами, которые использует модель интеллектуального анализа данных.

Пример

Алгоритм нейронной сети Майкрософт полезен для анализа сложных входных данных, таких как из производственного или коммерческого процесса, или бизнес-задач, для которых доступно значительное количество обучающих данных, но для которых правила не могут быть легко производными с помощью других алгоритмов.

Рекомендуемые сценарии использования алгоритма нейронной сети Майкрософт:

• Анализ маркетинга и рекламной деятельности, например измерение успеха рассылки напрямую или радио-рекламной кампании.

• Прогнозирование движения акций, колебания валюты или другие высокотекучие финансовые данные из исторических данных.

• Анализ производственных и промышленных процессов.

• Текстовый майнинг.

• Любая модель прогнозирования, которая анализирует сложные связи между многими входными данными и относительно меньше выходных данных.

Принцип работы алгоритма

Алгоритм нейронной сети Майкрософт создает сеть, состоящую из трех слоев нейронов. Эти слои являются входным слоем, необязательным скрытым слоем и выходным слоем.

Входной слой: Входные нейроны определяют все значения входных атрибутов для модели интеллектуального анализа данных и их вероятности.

Скрытый слой: Скрытые нейроны получают входные данные от входных нейронов и предоставляют выходные данные для выходных нейронов. Скрытый слой заключается в том, что различные вероятности входных данных назначаются весами. Вес описывает релевантность или важность определенного входного сигнала для скрытого нейрона. Чем больше вес, назначенный входным данным, тем важнее значение этого входного значения. Веса могут быть отрицательными, что означает, что входные данные могут препятствовать, а не благоприятствовать, определённому результату.

Выходной слой: Выходные нейроны представляют прогнозируемые значения атрибутов для модели интеллектуального анализа данных.

Подробное описание того, как создаются и оцениваются входные, скрытые и выходные слои, см. в техническом справочнике по алгоритму нейронной сети Майкрософт.

Данные, необходимые для моделей нейронной сети

Модель нейронной сети должна содержать ключевой столбец, один или несколько входных столбцов и один или несколько прогнозируемых столбцов.

Модели интеллектуального анализа данных, использующие алгоритм нейронной сети Майкрософт, сильно влияют на значения, указанные для параметров, доступных алгоритму. Параметры определяют, как данные выборочно отбираются, как данные распределены или ожидается их распределение в каждом столбце, и когда применяется выбор признаков для ограничения значений, используемых в конечной модели.

Дополнительные сведения о настройке параметров для настройки поведения модели см. в техническом справочнике по алгоритму нейронной сети Майкрософт.

Просмотр модели нейронной сети

Чтобы работать с данными и узнать, как модель сопоставляет входные данные с выходными данными, можно использовать средство просмотра нейронной сети Майкрософт. С помощью этого пользовательского средства просмотра можно фильтровать входные атрибуты и их значения и просматривать графики, показывающие, как они влияют на выходные данные. Подсказки в средстве просмотра показывают вероятность и подъем, связанные с каждой парой значений на входе и выходе. Дополнительные сведения см. в статье "Обзор модели с помощью средства просмотра нейронных сетей Майкрософт".

Самый простой способ изучить структуру модели — использовать средство просмотра дерева универсального содержимого Майкрософт. Вы можете просмотреть входные данные, выходные данные и сети, созданные моделью, и щелкнуть любой узел, чтобы развернуть его и просмотреть статистику, связанную с входными, выходными или скрытыми узлами слоя. Дополнительные сведения см. в статье "Обзор модели с помощью средства просмотра дерева универсального содержимого Майкрософт".

Создание прогнозов

После обработки модели можно использовать сеть и весы, хранящиеся в каждом узле, для прогнозирования. Модель нейронной сети поддерживает регрессию, сопоставление и анализ классификации, поэтому смысл каждого прогноза может отличаться. Вы также можете запросить саму модель, чтобы просмотреть найденные корреляции и получить связанную статистику. Примеры создания запросов к модели нейронной сети см. в примерах запросов к модели нейронной сети.

Общие сведения о создании запроса в модели интеллектуального анализа данных см. в разделе "Запросы интеллектуального анализа данных".

Замечания

• Не поддерживает детализацию или измерения интеллектуального анализа данных. Это связано с тем, что структура узлов в модели интеллектуального анализа данных не обязательно соответствует непосредственно базовым данным.

• Не поддерживает создание моделей в формате языка разметки прогнозной модели (PMML).

• Поддерживает использование OLAP-моделей для интеллектуального анализа данных.

• Не поддерживает создание измерений дата-майнинга.

См. также

Технический справочник по алгоритму нейронной сети Майкрософт
Модель контента интеллектуального анализа данных для моделей нейронных сетей (Analysis Services — интеллектуальный анализ данных)
Примеры запросов модели нейронной сети
Алгоритм логистической регрессии Майкрософт