Not
Bu sayfaya erişim yetkilendirme gerektiriyor. Oturum açmayı veya dizinleri değiştirmeyi deneyebilirsiniz.
Bu sayfaya erişim yetkilendirme gerektiriyor. Dizinleri değiştirmeyi deneyebilirsiniz.
Şunlar için geçerlidir:
SQL Server 2019 ve önceki Analysis Services 
Azure Analysis Services Fabric/Power BI Premium
Önemli
Veri madenciliği SQL Server 2017 Analysis Services'da kullanım dışı bırakıldı ve artık SQL Server 2022 Analysis Services'da sonlandırıldı. Kullanım dışı bırakılan ve kullanımdan kaldırılan özellikler için belgeler güncelleştirilmez. Daha fazla bilgi edinmek için bkz. Analysis Services eski sürüm uyumluluğu.
Temel madencilik yapısındaki verileri kullanarak bir madencilik modeli tasarlayıp işledikten sonra, madencilik modeli tamamlanır ve madencilik modeli içeriği içerir. Tahminlerde bulunmak veya verilerinizi analiz etmek için bu içeriği kullanabilirsiniz.
Araştırma modeli içeriği model hakkındaki meta verileri, veriler hakkındaki istatistikleri ve madencilik algoritması tarafından bulunan desenleri içerir. Kullanılan algoritmaya bağlı olarak, model içeriği regresyon formüllerini, kural ve öğe kümelerinin tanımlarını ya da ağırlıkları ve diğer istatistikleri içerebilir.
Kullanılan algoritmadan bağımsız olarak, madencilik modeli içeriği standart bir yapıda sunulur. SQL Server Veri Araçları'nda sağlanan Microsoft Genel İçerik Ağacı Görüntüleyicisi'nde yapıya göz atabilir ve ardından bilgilerin her model türü için nasıl yorumlandığını ve görüntülendiğini görmek için özel görüntüleyicilerden birine geçebilirsiniz. Ayrıca, MINING_MODEL_CONTENT şema satır kümesini destekleyen herhangi bir istemciyi kullanarak araştırma modeli içeriğine karşı sorgular oluşturabilirsiniz. Daha fazla bilgi için bkz. Veri Madenciliği Sorgu Görevleri ve Nasıl Yapılır.
Bu bölümde, her türlü madencilik modeli için sağlanan içeriğin temel yapısı açıklanmaktadır. Tüm araştırma modeli içeriğinde ortak olan düğüm türlerini açıklar ve bilgilerin nasıl yorumlandığına ilişkin rehberlik sağlar.
Madencilik Modeli İçeriğinin Yapısı
Algoritma Türüne Göre Model İçeriğiNi Araştırma
Madencilik Modeli İçeriğini Görüntüleme Araçları
Araştırma Modeli İçeriğini Sorgulama Araçları
Madencilik Modeli İçeriğinin Yapısı
Her modelin içeriği bir dizi düğüm olarak sunulur. Madencilik modeli içindeki bir nesne olan düğüm, modelin bir bölümü hakkında meta veriler ve bilgiler içerir. Düğümler bir hiyerarşide düzenlenir. Hiyerarşideki düğümlerin tam düzenlemesi ve hiyerarşinin anlamı, kullandığınız algoritmaya bağlıdır. Örneğin, bir karar ağacı modeli oluşturursanız, model birden çok ağaç içerebilir ve hepsi model köküne bağlı olabilir; bir sinir ağı modeli oluşturursanız, model bir veya daha fazla ağın yanı sıra bir istatistik düğümü içerebilir.
Her modeldeki ilk düğüm kök düğüm veya model üst düğümü olarak adlandırılır. Her modelin bir kök düğümü vardır (NODE_TYPE = 1). Kök düğüm genellikle modelle ilgili bazı meta verileri ve alt düğüm sayısını içerir, ancak model tarafından bulunan desenler hakkında çok az ek bilgi içerir.
Modeli oluşturmak için kullandığınız algoritmaya bağlı olarak, kök düğümde farklı sayıda alt düğüm vardır. Alt düğümler, algoritmaya ve verilerin derinliği ile karmaşıklığına bağlı olarak farklı anlamlar taşır ve farklı içerik barındırır.
Madencilik Modeli İçeriğindeki Düğümler
Bir madencilik modelinde düğüm, modelin tamamı veya bir bölümü hakkında bilgi depolayan genel amaçlı bir kapsayıcıdır. Her düğümün yapısı her zaman aynıdır ve veri madenciliği şema satır kümesi tarafından tanımlanan sütunları içerir.
Her düğüm, her modelde benzersiz bir tanımlayıcı, üst düğümün kimliği ve düğümün sahip olduğu alt düğüm sayısı dahil olmak üzere düğüm hakkındaki meta verileri içerir. Meta veriler düğümün ait olduğu modeli ve söz konusu modelin depolandığı veritabanı kataloğunu tanımlar. Düğümde sağlanan ek içerik, modeli oluştururken kullandığınız algoritma türüne bağlı olarak farklılık gösterir ve aşağıdakileri içerebilir:
Eğitim verilerinde belirli bir tahmin edilen değeri destekleyen durumların sayısı.
Ortalama, standart sapma veya varyans gibi istatistikler.
Katsayılar ve formüller.
Kuralların ve yanal işaretçilerin tanımı.
Modelin bir bölümünü açıklayan XML parçaları.
Madencilik İçerik Düğümü Türlerinin Listesi
Aşağıdaki tabloda, veri madenciliği modellerinde çıkış olan farklı düğüm türleri listelenmiştir. Her algoritma bilgileri farklı işlediğinden, her model yalnızca birkaç belirli düğüm türü oluşturur. Algoritmayı değiştirirseniz düğümlerin türü değişebilir. Ayrıca modeli yeniden işlerseniz her düğümün içeriği değişebilir.
Uyarı
Farklı bir veri madenciliği hizmeti kullanıyorsanız veya kendi eklenti algoritmalarınızı oluşturuyorsanız ek özel düğüm türleri kullanılabilir.
| NODE_TYPE Kimliği | Düğüm Etiketi | Düğüm İçeriği |
|---|---|---|
| 1 | Model | Meta veriler ve kök içerik düğümü. Tüm model türleri için geçerlidir. |
| 2 | Tree | Sınıflandırma ağacının kök düğümü. Karar ağacı modelleri için geçerlidir. |
| 3 | İç | Bir ağaçta iç bölünmüş düğüm. Karar ağacı modelleri için geçerlidir. |
| 4 | Dağıtım | Bir ağacın terminal düğümü. Karar ağacı modelleri için geçerlidir. |
| 5 | Küme | Algoritma tarafından algılanan küme. Kümeleme modelleri ve sıralı kümeleme modelleri için geçerlidir. |
| 6 | Bilinmiyor | Bilinmeyen düğüm türü. |
| 7 | Öğe Seti | Algoritma tarafından algılanan öğe kümesi. İlişkilendirme modelleri veya sıralı kümeleme modelleri için geçerlidir. |
| 8 | Bağlantı Kuralı | Algoritma tarafından algılanan ilişkilendirme kuralı. İlişkilendirme modelleri veya sıralı kümeleme modelleri için geçerlidir. |
| 9 | PredictableAttribute | Tahmin edilebilir öznitelik. Tüm model türleri için geçerlidir. |
| 10 | InputAttribute | Giriş özniteliği. Karar ağaçları ve Naïve Bayes modelleri için geçerlidir. |
| 11 | GirdiÖzniteliğiDurumu | Giriş özniteliğinin durumları hakkındaki istatistikler. Karar ağaçları ve Naïve Bayes modelleri için geçerlidir. |
| 13 | Sıra | Bir dizi kümesinin Markov model bileşeni için üst düğüm. Sıralı kümeleme modelleri için geçerlidir. |
| 14 | Transition | Markov geçiş matrisi. Sıralı kümeleme modelleri için geçerlidir. |
| 15 | TimeSeries | Bir zaman serisi ağacının kök olmayan düğümü. Yalnızca zaman serisi modelleri için geçerlidir. |
| 16 | TsTree | Tahmin edilebilir bir zaman serisine karşılık gelen bir zaman serisi ağacının kök düğümü. Zaman serisi modelleri için geçerlidir ve yalnızca model KARMA parametresi kullanılarak oluşturulduysa geçerlidir. |
| 17 | NNetSubnetwork | Bir alt ağ. Sinir ağı modelleri için geçerlidir. |
| 18 | NNetInputLayer | Giriş katmanının düğümlerini içeren grup. Sinir ağı modelleri için geçerlidir. |
| 19 | NNetHiddenLayer | Gizli katmanı açıklayan düğümleri içeren gruplar. Sinir ağı modelleri için geçerlidir. |
| 21 | NNetOutputLayer | Çıkış katmanının düğümlerini içeren gruplar. Sinir ağı modelleri için geçerlidir. |
| 21 | NNetInputNode | Giriş katmanında bir giriş özniteliğini karşılık gelen durumlarla eşleştiren düğüm. Sinir ağı modelleri için geçerlidir. |
| 22 | NNetHiddenNode | Gizli katmandaki düğüm. Sinir ağı modelleri için geçerlidir. |
| 23 | NNetOutputNode | Çıkış katmanındaki düğüm. Bu düğüm genellikle bir çıkış özniteliğiyle ve buna karşılık gelen durumlarla eşleşecektir. Sinir ağı modelleri için geçerlidir. |
| yirmi dört | NNetMarginalNode | Eğitim kümesiyle ilgili marjinal istatistikler. Sinir ağı modelleri için geçerlidir. |
| Yirmi beş | RegressionTreeRoot | Regresyon ağacının kökü. Doğrusal regresyon modelleri ve sürekli giriş öznitelikleri içeren karar ağacı modelleri için geçerlidir. |
| 26 | NaiveBayesMarginalStatNode | Eğitim kümesiyle ilgili marjinal istatistikler. Naïve Bayes modelleri için geçerlidir. |
| 27 | ArimaRoot | ARIMA modelinin kök düğümü. Yalnızca ARIMA algoritmasını kullanan zaman serisi modelleri için geçerlidir. |
| 28 | ArimaPeriodic Yapısı | ARIMA modelindeki düzenli bir yapı. Yalnızca ARIMA algoritmasını kullanan zaman serisi modelleri için geçerlidir. |
| 29 | ArimaAutoRegressive | ARIMA modelindeki tek bir terim için otoregresif katsayı. Yalnızca ARIMA algoritmasını kullanan zaman serisi modelleri için geçerlidir. |
| 30 | Arima Hareketli Ortalama | ARIMA modelindeki tek bir terim için ortalama katsayıyı taşıma. Yalnızca ARIMA algoritmasını kullanan zaman serisi modelleri için geçerlidir. |
| 1000 | CustomBase | Özel düğüm türleri için başlangıç noktası. Özel düğüm türleri, değer olarak bu sabitten daha büyük tamsayılar olmalıdır. Özel eklenti algoritmaları kullanılarak oluşturulan modeller için geçerlidir. |
Düğüm Kimliği, Ad, Başlık ve Açıklama
Herhangi bir modelin kök düğümü her zaman 0'ın benzersiz kimliğine (NODE_UNIQUE_NAME) sahiptir. Tüm düğüm kimlikleri Analysis Services tarafından otomatik olarak atanır ve değiştirilemez.
Her modelin kök düğümü, modelle ilgili bazı temel meta verileri de içerir. Bu meta veriler, modelin depolandığı Analysis Services veritabanını (MODEL_CATALOG), şemayı (MODEL_SCHEMA) ve modelin adını (MODEL_NAME) içerir. Ancak, bu bilgiler modelin tüm düğümlerinde yinelenir, bu nedenle bu meta verileri almak için kök düğümü sorgulamanız gerekmez.
Benzersiz bir tanımlayıcı olarak kullanılan bir isimle birlikte, her düğümün bir adı (NODE_NAME) vardır. Bu ad, görüntüleme amacıyla algoritma tarafından otomatik olarak oluşturulur ve düzenlenemez.
Uyarı
Microsoft Kümeleme algoritması, kullanıcıların her kümeye kolay adlar atamasına olanak tanır. Ancak, bu kullanıcı dostu adlar sunucu tarafında kalıcı olmaz ve modeli yeniden işlediğinizde algoritma yeni küme adları oluşturur.
Her düğümün resim yazısı ve açıklaması algoritma tarafından otomatik olarak oluşturulur ve düğümün içeriğini anlamanıza yardımcı olacak etiketler görevi görür. Her alan için oluşturulan metin model türüne bağlıdır. Bazı durumlarda ad, resim yazısı ve açıklama tam olarak aynı dizeyi içerebilir, ancak bazı modellerde açıklama ek bilgiler içerebilir. Uygulamanın ayrıntıları için tek tek model türü hakkındaki konuya bakın.
Uyarı
Analysis Services sunucusu, yalnızca yeniden adlandırma uygulayan özel bir eklenti algoritması kullanarak modeller oluşturursanız düğümlerin yeniden adlandırılabilmesini destekler. Yeniden adlandırmayı etkinleştirmek için, eklenti algoritmasını oluştururken yöntemleri geçersiz kılmanız gerekir.
Düğüm Ebeveynleri, Düğüm Çocukları ve Düğüm Kardinalitesi
Ağaç yapısındaki üst ve alt düğümler arasındaki ilişki, PARENT_UNIQUE_NAME sütununun değerine göre belirlenir. Bu değer alt düğümde depolanır ve ebeveyn düğümün kimliğini söyler. Bu bilgilerin nasıl kullanılabileceğini gösteren bazı örnekler aşağıda verilmiştir:
NULL olan bir PARENT_UNIQUE_NAME, düğümün modelin en üst düğümü olduğu anlamına gelir.
PARENT_UNIQUE_NAME değeri 0 ise, düğüm modeldeki üst düğümün doğrudan alt öğelerinden biri olmalıdır. Bunun nedeni kök düğümün kimliğinin her zaman 0 olmasıdır.
Veri Madenciliği Uzantıları (DMX) sorgusundaki işlevleri kullanarak belirli bir düğümün alt öğelerini veya ebeveynlerini bulabilirsiniz. Sorgularda işlevleri kullanma hakkında daha fazla bilgi için bkz. Veri Madenciliği Sorguları.
Kardinalite , bir kümedeki öğe sayısını ifade eder. İşlenen bir madencilik modeli bağlamında kardinalite size belirli bir düğümdeki alt öğe sayısını bildirir. Örneğin, bir karar ağacı modelinin [Yıllık Gelir] için bir düğümü varsa ve bu düğümün iki alt düğümü varsa, biri koşul [Yıllık Gelir] = Yüksek ve diğeri koşul [Yıllık Gelir] = Düşük için, [Yıllık Gelir] düğümü için CHILDREN_CARDINALITY değeri 2 olacaktır.
Uyarı
SQL Server Analysis Services'da bir düğümün kardinalitesi hesaplanırken yalnızca anlık alt düğümler sayılır. Ancak, özel bir eklenti algoritması oluşturursanız, kardinaliteyi farklı saymak için CHILDREN_CARDINALITY aşırı yükleyebilirsiniz. Örneğin, yalnızca doğrudan çocukları değil, toplam soy sayısını saymak istediğinizde bu yararlı olabilir.
Kardinalite tüm modeller için aynı şekilde sayılmış olsa da, kardinalite değerini yorumlama veya kullanma şekliniz model türüne bağlı olarak farklılık gösterir. Örneğin, bir kümeleme modelinde, üst düğümün kardinalitesi bulunan toplam küme sayısını bildirir. Diğer model türlerinde, düğüm türüne bağlı olarak kardinalite her zaman ayarlanmış bir değere sahip olabilir. Kardinaliteyi yorumlama hakkında daha fazla bilgi için, tek tek model türü hakkındaki konuya bakın.
Uyarı
Microsoft Sinir Ağı algoritması tarafından oluşturulan modeller gibi bazı modeller, ayrıca modelin tamamı için eğitim verileri hakkında açıklayıcı istatistikler sağlayan özel bir düğüm türü içerir. Tanım gereği, bu düğümler hiçbir zaman alt düğümlere sahip olmaz.
Düğüm Dağıtımı
NODE_DISTRIBUTION sütunu, birçok düğümde algoritma tarafından bulunan desenler hakkında önemli ve ayrıntılı bilgiler sağlayan iç içe bir tablo içerir. Bu tabloda sağlanan tam istatistikler model türüne, düğümün ağaçtaki konumuna ve tahmin edilebilir özniteliğin sürekli sayısal değer mi yoksa ayrık bir değer mi olduğuna bağlı olarak değişir; ancak bir özniteliğin en düşük ve en yüksek değerlerini, değerlere atanan ağırlıkları, düğümdeki vaka sayısını, regresyon formülünde kullanılan katsayıları ve standart sapma ve varyans gibi istatistiksel ölçüleri içerebilir. Düğüm dağıtımını yorumlama hakkında daha fazla bilgi için, üzerinde çalıştığınız belirli model türü konusunu inceleyin.
Uyarı
düğüm türüne bağlı olarak NODE_DISTRIBUTION tablosu boş olabilir. Örneğin, bazı düğümler sadece bir alt düğüm koleksiyonunu düzenleme amacı taşır ve ayrıntılı istatistikleri içerenler ise alt düğümlerdir.
İç içe tablo NODE_DISTRIBUTION her zaman aşağıdaki sütunları içerir. Her sütunun içeriği model türüne bağlı olarak değişir. Belirli model türleri hakkında daha fazla bilgi için bkz . Algoritma Türüne Göre Model İçeriğiNi Araştırma.
ÖZNİTELİK_ADÝ
İçerik algoritmaya göre değişir. Tahmin edilebilir öznitelik, kural, öğe kümesi gibi bir sütunun adı veya formülün bir parçası gibi algoritmanın içindeki bir bilgi parçası olabilir.
Bu sütun bir öznitelik-değer çifti de içerebilir.
ATTRIBUTE_VALUE
ATTRIBUTE_NAME adlı özniteliğin değeri.
Öznitelik adı bir sütunsa, en basit durumda ATTRIBUTE_VALUE bu sütunun ayrık değerlerinden birini içerir.
Algoritmanın değerleri nasıl işlediğine bağlı olarak, ATTRIBUTE_VALUE özniteliği için bir değerin var olup olmadığını (Mevcut) veya değerin null (Eksik) olup olmadığını belirten bir bayrak da içerebilir.
Örneğin, modeliniz belirli bir öğeyi en az bir kez satın almış olan müşterileri bulmak için ayarlandıysa, ATTRIBUTE_NAME sütunu gibi ilgilendiğiniz Model = 'Water bottle'öğeyi tanımlayan öznitelik-değer çiftini içerebilir ve ATTRIBUTE_VALUE sütunu yalnızca Var olan veya Eksik anahtar sözcüğünü içerebilir.
DESTEK
Bu öznitelik-değer çifti olan veya bu öğeler kümesini veya kuralı içeren olayların sayısı.
Genel olarak, her düğüm için destek değeri, eğitim kümesindeki kaç örneğin geçerli düğüme dahil olduğunu bildirir. Çoğu model türünde destek, servis taleplerinin tam sayısını temsil eder. Eğitim verilerini sorgulamak zorunda kalmadan eğitim örneklerinizdeki veri dağıtımını görüntüleyebildiğiniz için destek değerleri yararlıdır. Analysis Services sunucusu, çıkarımın güçlü mü yoksa zayıf mı olduğunu belirlemek için depolanan olasılığı ve önceki olasılığı hesaplamak için de bu depolanan değerleri kullanır.
Örneğin, bir sınıflandırma ağacındaki destek değeri, açıklanan öznitelik birleşimine sahip vakaların sayısını gösterir.
Bir karar ağacında, bir ağacın her düzeyindeki desteğin toplamı, üst düğümünün desteğine karşılık gelmektedir. Örneğin, 1200 vaka içeren bir model cinsiyete göre eşit olarak bölünür ve ardından Gelir-Düşük, Orta ve Yüksek olmak üzere üç değere eşit şekilde alt bölümlere ayrılırsa, düğüm (2)'nin alt düğümleri olan düğüm (4), (5) ve (6) her zaman düğüm (2) ile aynı sayıda vakayı toplamaktadır.
| Düğüm Kimliği ve düğüm öznitelikleri | Destek sayısı |
|---|---|
| (1) Model kökü | 1200 |
| (2) Cinsiyet = Erkek (3) Cinsiyet = Kadın |
600 600 |
| (4) Cinsiyet = Erkek ve Gelir = Yüksek (5) Cinsiyet = Erkek ve Gelir = Orta (6) Cinsiyet = Erkek ve Gelir = Düşük |
200 200 200 |
| (7) Cinsiyet = Kadın ve Gelir = Yüksek (8) Cinsiyet = Kadın ve Gelir = Orta (9) Cinsiyet = Kadın ve Gelir = Düşük |
200 200 200 |
Kümeleme modeli için destek sayısı, birden çok kümeye ait olma olasılıklarını içerecek şekilde ağırlıklandırılabilir. Birden çok küme üyeliği varsayılan kümeleme yöntemidir. Bu senaryoda, her durumun tek bir kümeye ait olması gerekmediğinden, bu modellerdeki destek tüm kümelerde yüzde 100'e kadar eklenmeyebilir.
OLASILIK
Modelin tamamında bu belirli düğümün olasılığını gösterir.
Genellikle olasılık, bu belirli değer için desteği temsil eder ve düğümdeki toplam vaka sayısına (NODE_SUPPORT) bölünür.
Ancak, verilerdeki eksik değerlerin neden olduğu yanlılığı ortadan kaldırmak için olasılık biraz ayarlanır.
Örneğin, [Toplam Alt Öğe] için geçerli değerler 'Bir' ve 'İki' ise, çocuk sahibi olmamasının veya üç çocuk sahibi olunmasının mümkün olmadığını tahmin eden bir model oluşturmaktan kaçınmak istersiniz. Eksik değerlerin olasılık dışı olduğundan, ancak imkansız olmadığından emin olmak için algoritma her zaman herhangi bir özniteliğin gerçek değerlerinin sayısına 1 ekler.
Örnek:
[Total Çocuk Sayısı = Bir] Olasılığı = ([Toplam Çocuk Sayısı Bir Olan Vakaların Sayısı] + 1) / ([Tüm Vakaların Sayısı] + 3)
Olasılığı [Toplam Çocuk Sayısı = İki]= [Toplam Çocuk Sayısının İki Olduğu Vakaların Sayısı] +1/[Tüm Vakaların Sayısı] +3
Uyarı
3 ayarı, mevcut değerlerin toplam sayısına 1 eklenerek (n) hesaplanır.
Ayarlamadan sonra, tüm değerlerin olasılıklarının toplamı 1 eder. Veri içermeyen değerin olasılığı (bu örnekte, [Total Children = 'Zero', 'Three' veya başka bir değer]), sıfır olmayan çok düşük bir düzeyde başlar ve daha fazla vaka eklendikçe yavaş artar.
VARYANS
Düğüm içindeki değerlerin varyansını gösterir. Tanım gereği, ayrık değerler için varyans her zaman 0'dır. Model sürekli değerleri destekliyorsa, varyans σ (sigma), payda n veya düğümdeki vaka sayısı kullanılarak hesaplanır.
Genel kullanımda standart sapması (StDev) temsil eden iki tanım vardır. Standart sapması hesaplamak için kullanılan yöntemlerden biri sapmayı dikkate alır ve başka bir yöntem de sapma kullanmadan standart sapması hesaplar. Genel olarak, Microsoft veri madenciliği algoritmaları standart sapmayı hesaplarlarken önyargı kullanmaz.
NODE_DISTRIBUTION tablosunda görüntülenen değer, tüm ayrık ve ayrık öznitelikler için gerçek değer ve sürekli değerlerin ortalamasıdır.
VALUE_TYPE
Değerin veya özniteliğin veri türünü ve değerin kullanımını gösterir. Belirli değer türleri yalnızca belirli model türleri için geçerlidir:
| VALUE_TYPE Kimliği | Değer Etiketi | Değer Türü Adı |
|---|---|---|
| 1 | Eksik | Vaka verilerinin bu öznitelik için bir değer içermediğini gösterir. Eksik durumu, değerleri olan özniteliklerden ayrı olarak hesaplanır. |
| 2 | Mevcut | Vaka verilerinin bu öznitelik için bir değer içerdiğini gösterir. |
| 3 | Devamlı | Özniteliğin değerinin sürekli bir sayısal değer olduğunu ve bu nedenle varyans ve standart sapma ile birlikte ortalamayla temsil edilebileceğini gösterir. |
| 4 | Ayrık | Ayrık olarak ele alınan bir değeri (sayısal veya metin) gösterir. Not Ayrık değerler de eksik olabilir; ancak hesaplamalar yapılırken bunlar farklı şekilde işlenir. Bilgi için bkz . Eksik Değerler (Analysis Services - Veri Madenciliği). |
| 5 | Ayrıklaştırılmış | Özniteliğin ayrık hale getirilmiş sayısal değerler içerdiğini gösterir. Değer, ayrıklaştırma demetlerini tanımlayan biçimlendirilmiş bir dize olacaktır. |
| 6 | Mevcut | Özniteliğin sürekli sayısal değerlere sahip olduğunu ve verilerde eksik veya çıkarılmış değerlere karşı değerlerin sağlandığını gösterir. |
| 7 | Katsayısı | Katsayıyı temsil eden sayısal bir değeri gösterir. Katsayı, bağımlı değişkenin değeri hesaplanırken uygulanan bir değerdir. Örneğin, modeliniz yaşa göre geliri tahmin eden bir regresyon formülü oluşturursa, katsayı, yaşı gelirle ilişkilendiren formülde kullanılır. |
| 8 | Puan kazancı | Bir öznitelik için puan kazancını temsil eden sayısal bir değeri gösterir. |
| 9 | Statistics | Regresör için bir istatistiği temsil eden sayısal değeri gösterir. |
| 10 | Düğümün benzersiz adı | Değerin sayısal veya dize olarak değil, modeldeki başka bir içerik düğümünün benzersiz tanımlayıcısı olarak işlenmesi gerektiğini gösterir. Örneğin, sinir ağı modelinde kimlikler çıkış katmanındaki düğümlerden gizli katmandaki düğümlere ve gizli katmandaki düğümlerden giriş katmanındaki düğümlere işaretçiler sağlar. |
| 11 | Kesme noktası | Regresyon formülündeki kesme noktasını temsil eden sayısal bir değeri gösterir. |
| 12 | Periyodiklik | Değerin modeldeki düzenli bir yapıyı gösterdiğini gösterir. Yalnızca ARIMA modeli içeren zaman serisi modellerine uygulanır. Not: Microsoft Time Series algoritması, eğitim verilerine göre düzenli yapıları otomatik olarak algılar. Sonuç olarak, son modeldeki periyodiklikler, modeli oluştururken parametre olarak sağlamadığınız periyodiklik değerlerini içerebilir. |
| 13 | Otomatik kayıt sırası | Değerin durağan seriler sayısını temsil ettiğini gösterir. ARIMA algoritmasını kullanan zaman serisi modelleri için geçerlidir. |
| 14 | Hareketli ortalama sipariş | Bir serideki hareketli ortalama sayısını temsil eden bir değeri temsil eder. ARIMA algoritmasını kullanan zaman serisi modelleri için geçerlidir. |
| 15 | Fark sırası | Değerin, serinin kaç kez ayırt edilmiş olduğunu gösteren bir değeri temsil ettiğini gösterir. ARIMA algoritmasını kullanan zaman serisi modelleri için geçerlidir. |
| 16 | Boolean | Boole türünü temsil eder. |
| 17 | Other | Algoritma tarafından tanımlanan özel bir değeri temsil eder. |
| 18 | Önceden oluşturulmuş dize | Algoritmanın dize olarak işlenen özel bir değeri temsil eder. Nesne modeli tarafından biçimlendirme uygulanmadı. |
Değer türleri ADMOMD.NET numaralandırmasından türetilir. Daha fazla bilgi için bkz. Microsoft.AnalysisServices.AdomdServer.MiningValueType.
Düğüm Puanı
Düğüm puanının anlamı model türüne bağlı olarak değişir ve düğüm türüne de özgü olabilir. Her bir model ve düğüm türü için NODE_SCORE'un nasıl hesaplandığı hakkında bilgi için bkz. Algoritma Türüne Göre Model İçeriği.
Düğüm Olasılığı ve Marjinal Olasılık
Araştırma modeli şema satır kümesi, tüm model türleri için NODE_PROBABILITY ve MARGINAL_PROBABILITY sütunlarını içerir. Bu sütunlar yalnızca bir olasılık değerinin anlamlı olduğu düğümlerdeki değerleri içerir. Örneğin, bir modelin kök düğümü hiçbir zaman olasılık puanı içermez.
Olasılık puanları sağlayan düğümlerde düğüm olasılığı ve marjinal olasılıklar farklı hesaplamaları temsil eder.
Marjinal olasılık , düğüme üst öğesinden ulaşma olasılığıdır.
Düğüm olasılığı , düğüme kökten ulaşma olasılığıdır.
Düğüm olasılığı her zaman marjinal olasılıktan küçük veya buna eşittir.
Örneğin, bir karar ağacındaki tüm müşterilerin popülasyonu cinsiyete göre eşit olarak bölünürse (ve hiçbir değer eksik değilse), alt düğümlerin olasılığı 0,5 olmalıdır. Bununla birlikte, cinsiyet düğümlerinin her birinin eşit olarak gelir düzeylerine (Yüksek, Orta ve Düşük) bölündüğünü varsayalım. Bu durumda, her alt düğüm için MARGINAL_PROBABILITY puanı her zaman 0,33 olmalıdır, ancak NODE_PROBABILTY değeri bu düğüme yol açan tüm olasılıkların çarpımını oluşturur ve bu nedenle her zaman MARGINAL_PROBABILITY değerinden küçük olur.
| Düğüm/öznitelik ve değer düzeyi | Marjinal olasılık | Düğüm olasılığı |
|---|---|---|
| Model kökü Tüm hedef müşteriler |
1 | 1 |
| Hedef müşteriler cinsiyete göre bölünür | .5 | .5 |
| Hedef müşteriler cinsiyete göre bölünür ve yine gelire göre üç şekilde bölünür | .33 | .5 * .33 = .165 |
Düğüm Kuralı ve Marjinal Kural
Araştırma modeli şema satır kümesi, tüm model türleri için NODE_RULE ve MARGINAL_RULE sütunlarını da içerir. Bu sütunlar, bir modeli seri hale getirmek veya model yapısının bir bölümünü temsil etmek için kullanılabilecek XML parçaları içerir. Bir değer anlamsız olacaksa, bazı düğümler için bu sütunlar boş olabilir.
İki tür XML kuralı sağlanır ve iki tür olasılık değerine benzer. MARGINAL_RULE'daki XML parçası geçerli düğümün özniteliğini ve değerini tanımlarken, NODE_RULE'daki XML parçası model kökünden geçerli düğümün yolunu açıklar.
Algoritma Türüne Göre Model İçeriğiNi Araştırma
Her algoritma, içerik şemasının bir parçası olarak farklı türde bilgileri depolar. Örneğin, Microsoft Kümeleme Algoritması her biri olası bir kümeyi temsil eden birçok alt düğüm oluşturur. Her küme düğümü, kümedeki öğeler tarafından paylaşılan özellikleri açıklayan kurallar içerir. Buna karşılık, Microsoft Doğrusal Regresyon algoritması herhangi bir alt düğüm içermez; bunun yerine, modelin üst düğümü analiz tarafından bulunan doğrusal ilişkiyi açıklayan denklemi içerir.
Aşağıdaki tabloda her algoritma türüne yönelik konulara bağlantılar sağlanmaktadır.
Model içeriği konuları: Her algoritma türü için her düğüm türünün anlamını açıklayın ve belirli bir model türüne en çok ilgi gösteren düğümler hakkında rehberlik sağlayın.
Sorgulama konuları: Belirli bir model türüne yönelik sorgu örnekleri ve sonuçları yorumlama konusunda rehberlik sağlayın.
Madencilik Modeli İçeriğini Görüntüleme Araçları
SQL Server Veri Araçları'nda bir modele göz atarken veya model keşfederken, bilgileri hem SQL Server Veri Araçları'nda hem de SQL Server Management Studio'da bulunan Microsoft Genel İçerik Ağacı Görüntüleyicisi'nde görüntüleyebilirsiniz.
Microsoft Genel İçerik Görüntüleyicisi, araştırma modelinin içerik şeması satır kümesinde bulunan bilgileri kullanarak modeldeki sütunları, kuralları, özellikleri, öznitelikleri, düğümleri ve diğer içeriği görüntüler. İçerik şeması satır kümesi, veri madenciliği modelinin içeriği hakkında ayrıntılı bilgi sunmaya yönelik genel bir çerçevedir. Model içeriğini hiyerarşik satır kümelerini destekleyen herhangi bir istemcide görüntüleyebilirsiniz. SQL Server Veri Araçları'ndaki görüntüleyici, bu bilgileri tüm modelleri tutarlı bir biçimde temsil eden bir HTML tablo görüntüleyicisinde sunarak oluşturduğunuz modellerin yapısının anlaşılmasını kolaylaştırır. Daha fazla bilgi için bkz. Microsoft Genel İçerik Ağacı Görüntüleyicisi'ni Kullanarak Modele Gözatma.
Veri Madenciliği Modeli İçeriğini Sorgulama Araçları
Araştırma modeli içeriğini almak için veri madenciliği modeline karşı bir sorgu oluşturmanız gerekir.
İçerik sorgusu oluşturmanın en kolay yolu SQL Server Management Studio'da aşağıdaki DMX deyimini yürütmektir:
SELECT * FROM [<mining model name>].CONTENT
Daha fazla bilgi için bkz. Veri Madenciliği Sorguları.
Ayrıca, veri madenciliği şeması satır kümelerini kullanarak araştırma modeli içeriğini sorgulayabilirsiniz. Şema satır kümesi, istemcilerin araştırma yapıları ve modelleri hakkındaki bilgileri bulmak, göz atmak ve sorgulamak için kullandığı standart bir yapıdır. XMLA, Transact-SQL veya DMX deyimlerini kullanarak şema satır kümelerini sorgulayabilirsiniz.
SQL Server 2017'de, SQL Server Analysis Services örneğine bir bağlantı açıp sistem tablolarını sorgulayarak veri madenciliği şeması satır kümelerindeki bilgilere de erişebilirsiniz. Daha fazla bilgi için bkz. Veri Madenciliği Şema Satır Kümeleri (SSA).
Ayrıca Bkz.
Microsoft Genel İçerik Ağacı Görüntüleyicisi (Veri Madenciliği)
Veri Madenciliği Algoritmaları (Analysis Services - Veri Madenciliği)