Makale
07/26/2011

Neural ağ modeli (Analysis Services - veri madenciliği) sorgulama

Bir veri karşı bir sorgu oluşturduğunuzda, araştırma modeli, analizinde keşfedilen desenleri hakkında ayrıntılı bilgi sağlayan bir içerik sorgu veya yeni veri için Öngörüler yapmak modelinde desenleri kullanır bir tahmin sorgu oluşturmak.Örneğin, neural ağ modeli içerik sorgu modeli meta veriler gizli katmanların sayısı gibi almak.Alternatif olarak, bir tahmin sorgu bir girdiye dayalı sınıflandırmaları Öner ve isteğe bağlı olarak her sınıflandırma için olasılıklar sunar.

Bu bölümde dayalı modelleri için sorgular oluşturmak açıklar Microsoft Neural ağ algoritması.

İçerik sorguları

dmx kullanarak modeli meta veri alma

Şema satır kümesi modeli meta veri alma

Model için giriş özniteliklerini alma

Ağırlıkları gizli katmanından alınıyor

Tahmin sorgular

Bir Singleton tahmin oluşturma

Neural ağ modeli hakkında bilgi bulma

Tüm veri madenciliği modelleri Schema'ya göre bir standartlaştırılmış, araştırma modeli şema satır kümesi algoritması tarafından öğrenilen içerik açarsınız.Bu bilgi modeli hakkında ayrıntılı bilgi sağlar ve yapıların analizi ve işlenmesi sırasında kullanılan parametreleri keşfedilen temel meta veriler içerir.Veri Mining uzantısı (dmx) deyimleri kullanarak içerik modeli karşı sorguları oluşturabilirsiniz.

Örnek sorgu 1: dmx kullanarak modeli meta veri alma

Kullanılarak oluşturulan bir modeli hakkında bazı temel meta veriler aşağıdaki sorgu döndürür Microsoft Neural ağ algoritması.Neural ağ modeli modelinin üst düğüm modeli, model depolandığı veritabanının adını ve alt düğümlerin sayısı yalnızca adını içerir.Ancak, Marjinal istatistikleri düğüm (node_type = 24) bu temel meta veriler hem modelinde kullanılan giriş sütunları hakkında türetilen bazı istatistikler sağlar.

Aşağıdaki örnek sorgu oluşturmak, araştırma modeli esas Ara veri madenciliği öğretici, adlandırılmış Call Center Default NN.Modeli, personel atama ve çeşitli çağrılar, siparişleri ve sorunları arasındaki olası bağıntıları keşfetmek için bir çağrı Merkezi'nden veri kullanır.dmx deyim neural ağ modeli Marjinal istatistikleri düğüm verileri alır.Giriş öznitelik istatistiklerini ilgi, NODE_DISTRIBUTION gibi iç içe geçmiş bir tablo içinde saklandığından flattened anahtar sözcük sorgu içerir.Ancak, sorgunuzu sağlayıcı flattened anahtar sözcüğünün kullanılması gerekmez hiyerarşik satır kümeleri destekler.

SELECT FLATTENED MODEL_CATALOG, MODEL_NAME, 
(    SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE,
     [SUPPORT], [PROBABILITY], VALUETYPE 
     FROM NODE_DISTRIBUTION
) AS t
FROM [Call Center Default NN].CONTENT
WHERE NODE_TYPE = 24

Not

İç içe geçmiş tablo sütunları adını içine almalısınız [SUPPORT] ve [PROBABILITY] bunları aynı adı. ayrılmış anahtar sözcükleri ayırmak için ayraç içine

Örnek sonuçlar:

MODEL_CATALOG	MODEL_ADI	t.ATTRIBUTE_NAME	t.ATTRIBUTE_VALUE	t.support	t.PROBABILITY	t.VALUETYPE
AdventureWorksDW 2008	Çağrı Center nn	Çıkış başına ortalama süre	Eksik	0	0	1
AdventureWorksDW 2008	Çağrı Center nn	Çıkış başına ortalama süre	< 64.7094100096	11	0.407407407	5

Neural ağ modeli kapsamında şema satır kümesi içindeki sütunları anlamları bir tanım için bkz: Neural ağ modeller için içerik modeli mining (Analysis Services - veri madenciliği).

Başa dön

Örnek sorgu 2: Şema satır kümesi modeli meta veri alma

Veri madenciliği şema satır kümesi sorgulayarak bir dmx içerik sorgu döndürülen aynı bilgileri bulabilirsiniz.Ancak, bazı ek sütunları şema satır kümesi sağlar.Aşağıdaki örnek sorgu model oluşturulduğu tarih, değiştirildiği tarih ve modeli son işlendiği tarihi verir.Sorgu ayrıca modeli içeriği kolayca kullanılabilir değil, öngörülebilir sütun ve model oluşturmak için kullanılan parametreler verir.Bu bilgi modeli belgelenmesi için yararlı olabilir.

SELECT MODEL_NAME, DATE_CREATED, LAST_PROCESSED, PREDICTION_ENTITY, MINING_PARAMETERS 
from $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'Call Center Default NN'

Örnek sonuçlar:

MODEL_ADI	Çağrı Merkezi varsayılan nn
DATE_CREATED	10/1/2008 17:07:38
LAST_PROCESSED	10/1/2008 17:24:02
PREDICTION_ENTITY	Çıkış başına ortalama süre, Hizmet kalitesi, Siparişlerin sayısı
MINING_PARAMETERS	HOLDOUT_PERCENTAGE = 30 HOLDOUT_SEED = 0, MAXIMUM_INPUT_ATTRIBUTES 255 MAXIMUM_OUTPUT_ATTRIBUTES = 255 = MAXIMUM_STATES = 100, SAMPLE_SIZE = 10000, HIDDEN_NODE_RATIO = 4

Başa dön

Örnek sorgu 3: Model için giriş özniteliklerini alma

Alt düğümlerin sorgulayarak model oluşturmak için kullanılan giriş öznitelik-değer çiftleri alabilir (node_type = 20) giriş katmanın (node_type = 18).Aşağıdaki sorgu düğümü tanımlamalardan giriş öznitelikleri listesini döndürür.

SELECT NODE_DESCRIPTION
FROM [Call Center Default NN].CONTENT
WHERE NODE_TYPE = 2

Örnek sonuçlar:

NODE_DESCRIPTION
Sorun her zaman ortalama = 64.7094100096 - 77.4002099712
Haftanın günü Fri =.
Düzey 1 İşletmenleri

Yalnızca birkaç temsilcisi alınan satırların sonuçlar burada gösterilir.Ancak, NODE_DESCRIPTION giriş öznitelik veri türüne bağlı olarak biraz farklı bilgiler sağlar görebilirsiniz.

Öznitelik kesikli veya discretized değeri ise, öznitelik değerini veya kendi discretized aralık döndürülür.
Öznitelik sürekli sayısal veri türü ise, NODE_DESCRIPTION yalnızca öznitelik adını içerir.Ancak, ortalama elde etmek için iç içe geçmiş NODE_DISTRIBUTION tablo almak veya node_rule sayı aralık minimum ve maksimum değerleri elde etmek için geri dönün.

Aşağıdaki sorgu, başka bir sütuna bir sütun öznitelikleri ve değerleri dönmek için iç içe geçmiş NODE_DISTRIBUTION tablo sorgulamak gösterilmiştir.Sürekli öznitelikler için öznitelik değeri ortası tarafından temsil edilir.

SELECT FLATTENED 
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE
FROM NODE_DISTRIBUTION) as t
FROM [Call Center Default NN -- Predict Service and Orders].CONTENT
WHERE NODE_TYPE = 21

Örnek sonuçlar:

t.ATTRIBUTE_NAME	t.ATTRIBUTE_VALUE
Çıkış başına ortalama süre	64.7094100096 - 77.4002099712
Haftanın günü	Cum.
Düzey 1 İşletmenleri	3.2962962962963

Minimum ve maksimum aralık değerleri node_rule içinde depolanan sütunve bir xml parçası, aşağıdaki örnekte gösterildiği gibi gösterilir:

<NormContinuous field="Level 1 Operators">  
  <LinearNorm orig="2.83967303681711" norm="-1" />  
  <LinearNorm orig="3.75291955577548" norm="1" />  
</NormContinuous>

Başa dön

Örnek sorgu 4: Ağırlıkları gizli katmanından alınıyor

Neural ağ modeli modeli içeriği ağdaki herhangi bir düğüm hakkında ayrıntılı bilgi almak kolaylaştıran bir şekilde yapılandırılmıştır.Üstelik kimlik numaraları düğüm düğüm türleri arasındaki ilişkiyi belirlemenize yardımcı olacak bilgiler sağlar.

Aşağıdaki sorgu, belirli bir gizli katmanı düğüm altında saklanan katsayıları almak gösterilmiştir.Gizli katmanda bir düzenleyici düğümü içerir (node_type = 19), yalnızca meta veriler ve birden çok alt düğümler içerir (node_type = 22), katsayıları çeşitli kombinasyonları öznitelikleri ve değerleri içerir.Bu sorgu yalnızca katsayısı düğüm döndürür.

SELECT FLATTENED TOP 1 NODE_UNIQUE_NAME, 
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE, VALUETYPE
FROM NODE_DISTRIBUTION) as t
FROM  [Call Center Default NN -- Predict Service and Orders].CONTENT
WHERE NODE_TYPE = 22
AND [PARENT_UNIQUE_NAME] = '40000000200000000' FROM [Call Center Default NN].CONTENT

Örnek sonuçlar:

NODE_UNIQUE_NAME	t.ATTRIBUTE_NAME	t.ATTRIBUTE_VALUE	t.VALUETYPE
70000000200000000	6.000.000.000.000.000a	-0.178616518	7
70000000200000000	6000000000000000b	-0.267561918	7
70000000200000000	6000000000000000c	0.11069497	7
70000000200000000	6000000000000000d	0.123757712	7
70000000200000000	6000000000000000e	0.294565343	7
70000000200000000	6000000000000000f	0.22245318	7
70000000200000000		0.188805045	7

Burada gösterilen kısmi sonuçlar nasıl neural ağ modeli içeriği gizli düğüm ilişkili giriş düğümlerine olduğu gösterilmektedir.

Gizli katmanı düğümler benzersiz adları her zaman 70000000 ile başlar.
Giriş katmanı düğümler benzersiz adları her zaman 60000000 ile başlar.

Bu nedenle, bu sonuçlar, kimliği 70000000200000000 tarafından belirtilen düğüm altı farklı katsayıları yüklememin (valuetype = 7) kendisine geçirilen.Katsayıların değerleri ATTRIBUTE_VALUE olan sütun.Tam olarak hangi katsayısı içindir öznitelik_adý düğüm kimliği kullanarak öznitelik giriş belirlemek sütun.Örneğin, düğüm kimliği 6000000000000000a giriş öznitelik ve değeri için başvuruda Day of Week = 'Tue.' düğüm kimliği, bir sorgu oluşturmak için kullanabilirsiniz veya düğümünü kullanarak göz Microsoft Genel içerik ağacı Görüntüleyicisi.

Benzer şekilde, NODE_DISTRIBUTION tablo çıktı katmandaki düğümlerin sorgularsanız (node_type = 23), her değeri çıktı için katsayıları görebilirsiniz.Ancak, çıkış katmanında, işaretçiler gizli katmanda düğümlerine geri bakın.Daha fazla bilgi için bkz: Neural ağ modeller için içerik modeli mining (Analysis Services - veri madenciliği).

Başa dön

Neural ağ modeli Öngörüler yapmak için kullanma

The Microsoft Neural Network algorithm supports both classification and regression.Tek ya da toplu iş iş Öngörüler oluşturma ve yeni veri sağlamak için bu modellerle tahmin işlevleri kullanabilirsiniz.

Örnek sorgu 5: Bir Singleton tahmin oluşturma

Tahmin Sorgu Oluşturucusu'nu, üzerinde kullanılacak bir neural ağ modeli bir tahmin sorgu oluşturmak için en kolay yolu olan Mining tahmin sekmesinde veri Mining Tasarımcısı'nın hem de SQL Server Management Studio ve Business Intelligence Development Studio.Modelde göz atabilirsiniz Microsoft Neural ağ Görüntüleyicisi filtre eğilimlerine faiz ve görünüm niteliklerini ve sonra geçiş için Mining tahmin bir sorgu oluşturun ve bu eğilimleri için yeni değerleri tahmin etmek için sekme.

Örneğin, sipariş birimleri ve diğer öznitelikleri arasındaki bağıntıları görüntülemek için çağrı merkezi modeli göz atabilirsiniz.Bunu yapmak için modeli Görüntüleyicisi için açmak ve Giriş, select <tüm>.İçin İleri Çıkış, select Numarasını, sipariş.İçin değeri 1, en siparişleri gösteren aralık seçin ve değeri 2, en az siparişleri gösteren aralık seçin.Model sipariş hacmi ile karşılıklı olarak ilişkilendirir tüm özniteliklerini bir bakışta görebilirsiniz.

Görüntüleyici'de sonuçlar göz atarak, haftanın belirli günleri alt sıra birimleri olan ve belli sayıda artış daha yüksek satış ile ilişkili olabilir görünüyor bulabilirsiniz.Daha sonra bir tahmin sorgu model üzerinde test etmek için kullanabilirsiniz "ne olur" a varsayım ve Düzey 2 belli sayıda düşük hacimli günü siparişleri artırma yoksa isteyin.Bunu yapmak için aşağıdaki gibi bir sorgu oluşturun:

SELECT Predict([Call Center Default NN].[Number of Orders]) AS [Predicted Orders],
PredictProbability([Call Center Default NN].[Number of Orders]) AS [Probability]
FROM [Call Center Default NN]
NATURAL PREDICTION JOIN 
(SELECT 'Tue.' AS [Day of Week]
13 AS [Level 2 Operators] AS t

Örnek sonuçlar:

Tahmin edilen siparişler	Olasılık
364	0.9532…

Geçerli aralık Salı satış ve olasılığı yüksektir öngörülen satış hacmi tahmin çok yüksektir.Ancak, birden fazla Öngörüler hypotheses model üzerinde çeşitli test etmek için bir toplu iş iş işlemi kullanarak oluşturmak isteyebilirsiniz.

Not

Veri Mining eklentiler Excel 2007 sağlar iki kaç düzey işleçler gibi karmaşık soruları yanıtlamak kolaylaştıran sihirbazları logistic regresyon hizmet notu belirli vardiya için bir hedef düzeyini artırmak için gerekli.Veri madenciliği eklentileri ücretsiz olan ve ağ neural ve logistic regresyon algoritma dayalı sihirbazlar içerir.Daha fazla bilgi için bkz: Office 2007 için veri Mining eklentiler Web sitesi.

Başa dön

Tahmin işlevlerin listesi

Tüm Microsoft algoritmaları desteği ortak küme işlevleri.Özgü hiçbir tahmin işlevleri vardır Microsoft Neural ağ algoritması; Ancak, algoritma Aşağıda, listelenen işlevlerini destekleyen tablo.

IsDescendant (dmx)	PredictStdev (dmx)
PredictAdjustedProbability (dmx)	PredictSupport (dmx) Notağ neural ve logistic regresyon modelleri için eğitim boyutunu gösteren tek bir değer döndüren küme için tüm modeli.
PredictHistogram (dmx)	PredictVariance (dmx)
PredictProbability (dmx)