SystemGetAccuracyResults (службы Analysis Services — интеллектуальный анализ данных)

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.

Возвращает метрики точности перекрестной проверки для структуры интеллектуального анализа данных и всех связанных моделей, за исключением моделей кластеризации.

Эта хранимая процедура возвращает метрики для всего набора данных в виде одной секции. Чтобы секционировать набор данных на перекрестные разделы и возвращать метрики для каждой секции, используйте SystemGetCrossValidationResults (службы Analysis Services — интеллектуальный анализ данных).

Замечание

Эта хранимая процедура не поддерживается для моделей, созданных с помощью алгоритма временных рядов Майкрософт или алгоритма кластеризации последовательностей Майкрософт. Кроме того, для моделей кластеризации 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>])  

Arguments

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

(Обязательно)

Список моделей
Разделенный запятыми список моделей для проверки.

Значение по умолчанию равно NULL. Это означает, что используются все применимые модели. При использовании по умолчанию модели кластеризации автоматически исключаются из списка кандидатов для обработки.

(Необязательно)

набор данных
Целочисленное значение, указывающее, какая секция в структуре интеллектуального анализа данных используется для тестирования. Значение является производным от битовой маски, представляющей сумму следующих значений, где любое одно значение является необязательным:

Категория	Ценность
Учебные варианты	0x0001
Тестовые случаи	0x0002
Фильтр модели	0x0004

Полный список возможных значений см. в разделе "Примечания" этого раздела.

(required)

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

(required)

целевое состояние
Строка, содержащая определенное значение для прогнозирования.

Если задано значение, метрики собираются для этого конкретного состояния.

Если значение не указано или если задано значение NULL, метрики вычисляются для наиболее вероятного состояния для каждого прогноза.

Значение по умолчанию равно NULL.

(необязательно).

целевое пороговое значение
Число от 0,0 до 1, указывающее минимальную вероятность, в которой прогнозируемое значение считается правильным.

Значение по умолчанию равно NULL, что означает, что все прогнозы считаются правильными.

(необязательно).

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

(необязательно).

Тип возвращаемых данных

Возвращаемый набор строк содержит оценки для каждой секции и агрегатов для всех моделей.

В следующей таблице перечислены столбцы, возвращаемые GetValidationResults.

Имя столбца	Description
Модель	Имя протестированной модели. Все указывает, что результат является агрегатом для всех моделей.
ИмяАтрибута	Имя прогнозируемого столбца.
AttributeState	Целевое значение в прогнозируемом столбце. Если этот столбец содержит значение, метрики собираются только для указанного состояния. Если это значение не указано или имеет значение NULL, метрики вычисляются для наиболее вероятного состояния для каждого прогноза.
PartitionIndex	Обозначает секцию, к которой применяется результат. Для этой процедуры всегда 0.
PartitionCases	Целое число, указывающее количество строк в наборе вариантов на основе <параметра набора> данных.
Test	Тип выполняемого теста.
Мера	Имя меры, возвращаемой 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 о перекрестной проверке. Определение каждой меры см. в разделе " Перекрестная проверка" (службы Analysis Services — интеллектуальный анализ данных).
Ценность	Значение указанной меры.

Замечания

В следующей таблице приведены примеры значений, которые можно использовать для указания данных в структуре интеллектуального анализа данных, используемой для перекрестной проверки. Если вы хотите использовать тестовые варианты для перекрестной проверки, структура интеллектуального анализа данных должна содержать набор данных тестирования. Сведения о том, как определить набор данных тестирования при создании структуры интеллектуального анализа данных, см. в разделе "Обучение и тестирование наборов данных".

Целочисленное значение	Description
1	Используются только учебные варианты.
2	Используются только тестовые случаи.
3	Используются варианты обучения и тестовых вариантов.
4	Недопустимое сочетание.
5	Используются только учебные варианты, а фильтр модели применяется.
6	Используются только тестовые случаи, а фильтр модели применяется.
7	Используются как учебные, так и тестовые варианты, а фильтр модели применяется.

Дополнительные сведения о сценариях, в которых вы будете использовать перекрестную проверку, см. в разделе "Тестирование и проверка" (интеллектуальный анализ данных).

Примеры

В этом примере возвращаются меры точности для одной модели дерева принятия решений, v Target Mail DTсвязанной со структурой интеллектуального vTargetMail анализа данных. Код в строке четыре указывает, что результаты должны основываться на вариантах тестирования, отфильтрованных для каждой модели по фильтру, конкретному для этой модели. [Bike Buyer] указывает столбец, прогнозируемый, а 1 на следующей строке указывает, что модель должна оцениваться только для конкретного значения 1, то есть "Да, будет покупать".

Последняя строка кода указывает, что пороговое значение состояния равно 0,5. Это означает, что прогнозы, имеющие вероятность больше 50 процентов, должны считаться "хорошими" прогнозами при вычислении точности.

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

Пример результатов:

НазваниеМодели	ИмяАтрибута	AttributeState	PartitionIndex	Размер раздела	Test	Мера	Ценность
V Target Mail DT	Покупатель велосипедов	1	0	1638	Classification	Истинное положительное значение	605
V Target Mail DT	Покупатель велосипедов	1	0	1638	Classification	Ложноположительный результат	177
V Target Mail DT	Покупатель велосипедов	1	0	1638	Classification	Истинно отрицательный	501
V Target Mail DT	Покупатель велосипедов	1	0	1638	Classification	Ложный отрицательный	355
V Target Mail DT	Покупатель велосипедов	1	0	1638	Вероятность	Оценка журнала	-0.598454638753028
V Target Mail DT	Покупатель велосипедов	1	0	1638	Вероятность	Лифт	0.0936717116894395
V Target Mail DT	Покупатель велосипедов	1	0	1638	Вероятность	Ошибка корневого среднего квадрата	0.361630800104946

Требования

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

См. также

SystemGetCrossValidationResults (службы Analysis Services — интеллектуальный анализ данных)
SystemGetAccuracyResults
SystemGetClusterCrossValidationResults (службы Analysis Services — интеллектуальный анализ данных)
SystemGetClusterAccuracyResults (службы Analysis Services — интеллектуальный анализ данных)