Bir veri özelleştirme araştırma modeli (Analysis Services - veri madenciliği)
Iş gereksinimlerinizi karşılayan bir algoritma seçtikten sonra araştırma modeli olası artırmak için aşağıdaki yollarla özelleştirebilirsiniz sonuçlar.
Sütunların kullanım veya içerik türlerini değiştirin veya farklı veri sütunlarını, modelde kullanın.
Süzgeç oluşturmak araştırma modeli modeli eğitim içinde kullanılan verileri kısıtlamak için.
küme Denetim eşiklerini, ağaç bölmelerini ve diğer koşullara algoritma parametreleri.
Veri çözümlemek veya Öngörüler yapmak için kullanılan varsayılan algoritması'nı değiştirin.
Model kullanılan veri değiştirme
Hangi modeli ve nasıl kullanın ve bu verileri işlemek için veri sütunlarının önemli ölçüde etkileyebilir yaptığınız kararlar sonuçlar, çözümleme.Aşağıdaki konular, bu seçenek anlamanıza yardımcı olacak bilgiler sağlar.
Modeller mining (Analysis Services - veri madenciliği)
Mimari madenciliği modelin temel dahil olmak üzere, genel bir bakış sağlar araştırma yapısı ve madenciliği sütun seçimi.
Süzgeçleri için madenciliği modelleri oluşturma (Analysis Services - veri madenciliği)
Uygulanan süzgeçleri nasıl oluşturabileceğinizi açıklar bir araştırma modeli, bir veri alt küme küme kümesinin araştırma yapısı üzerinde temel model oluşturmak için.
Içinde veri madenciliği özellik seçimi.
Açıklıyor nasıl Analysis Services adlı bir işlem kullanır. Özellik Seçimi modeline toplama için yalnızca en kullanışlı özniteliklerini seçin.Sütunları ve öznitelikleri sayısını azaltmak, performansı ve kaliteyi modelinin artırabilirsiniz.Kullanılabilen özelliği seçim yöntemlerini seçtiğiniz algoritma bağlı olarak değişir.
veri madenciliği Sihirbazı'nı kullanırsanız da sahip olabilirsiniz Analysis Services otomatik olarak belirli bir modeli oluşturmak için en kullanışlı olan verileri seçin.
Algoritma ayarları özelleştirme
Ne tür bir sonuçlar elde edersiniz, seçim algoritmanın belirler.Belirli bir algoritma şeklini veya belirli bir algoritmayı kullanarak burada yararlı iş senaryolarını hakkında genel bilgi için bkz: Veri madenciliği algoritmaları (Analysis Services - veri madenciliği).
Sağlanan veri madenciliği algoritmaları Analysis Services Ayrıca kapsamlı biçimde özelleştirilebilir. Algoritma ve nasıl algoritma parametreleri ayarlayarak veri işler davranışını denetleyebilirsiniz.Aşağıdaki konular, her algoritmasını destekler parametreler hakkında ayrıntılı bilgi sağlar.
Microsoft karar ağaçları algoritması teknik başvurusu
Microsoft kümeleme algoritması teknik başvurusu
Microsoft Naive Bayes algoritması teknik başvurusu
Microsoft ilişkilendirmesi algoritması teknik başvurusu
Microsoft Teknik Başvurusu algoritması kümeleme sırası
Microsoft Neural ağ algoritması teknik başvurusu
Microsoft Logistic regresyon algoritması teknik başvurusu
Microsoft doğrusal regresyon algoritması teknik başvurusu
Microsoft saat Serisi algoritması teknik başvurusu
Her algoritması türünün konu aynı zamanda bu algoritmasına dayanan modelleri ile kullanılan tahmin işlevleri listeler.
Algoritma parametreleri listesi
Her bir algoritma algoritmanın davranışını özelleştirmek ve modelinize sonuçlarını ince ayarını yapmak için kullanabileceğiniz parametreleri destekler.Her parametre nasıl bir açıklaması için aşağıdaki konulara bakın:
Özellik adı |
Için geçerlidir. |
|---|---|
auto_detect_periodicity |
|
cluster_count |
|
cluster_seed |
|
clustering_method |
|
complexity_penalty |
|
forced_regressor |
|
forecast_method |
|
hidden_node_ratio |
|
historic_model_count |
|
historical_model_gap |
|
holdout_percentage |
Microsoft Logistic regresyon algoritması teknik başvurusu Microsoft Neural ağ algoritması teknik başvurusu .gif "Note") Note:
Bu parametre geçerli gizleme yüzde değeri farklı bir araştırma yapısı.
|
holdout_seed |
Microsoft Logistic regresyon algoritması teknik başvurusu Microsoft Neural ağ algoritması teknik başvurusu Note:
Bu parametre, bir çıkarma yapısına uygulanan gizleme çekirdek değerden farklı olur.
|
instability_sensitivity |
|
maximum_input_attributes |
Microsoft kümeleme algoritması teknik başvurusu Microsoft karar ağaçları algoritması teknik başvurusu Microsoft doğrusal regresyon algoritması teknik başvurusu Microsoft Naive Bayes algoritması teknik başvurusu |
maximum_itemset_count |
|
maximum_itemset_size |
|
maximum_output_attributes |
Microsoft karar ağaçları algoritması teknik başvurusu Microsoft doğrusal regresyon algoritması teknik başvurusu Microsoft Logistic regresyon algoritması teknik başvurusu |
maximum_sequence_states |
|
maximum_series_value |
|
maximum_states |
Microsoft kümeleme algoritması teknik başvurusu |
maximum_support |
|
minimum_importance |
|
minimum_itemset_size |
|
minimum_dependency_probability |
|
minimum_probability |
|
minimum_series_value |
|
minimum_support |
Microsoft ilişkilendirmesi algoritması teknik başvurusu Microsoft kümeleme algoritması teknik başvurusu Microsoft karar ağaçları algoritması teknik başvurusu |
missing_value_substitution |
|
modelling_cardinality |
|
periodicity_hint |
|
prediction_smoothing |
|
sample_size |
Microsoft kümeleme algoritması teknik başvurusu |
score_method |
|
split_method |
|
stopping_tolerance |
Ek gereksinimler
Seçme ve veri hazırlama veri madenciliği işleminin önemli bir parçasıdır.Örneğin, bu algoritmaları, Microsoft sağlayan yinelenen anahtarlar izin vermiyor. Her model için gerekli olan veri türünü algoritma bağlı olarak farklılık gösterir.Daha fazla bilgi için aşağıdaki konular Gereksinimler bölümüne bakın:
|
sonuçlar, sorgular ve tahmin işlevleri kullanarak özelleştirme
Model oluşturulan ve işlenen sonra her model türüne özgü olan görüntüleyiciler birini kullanarak bilgileri görüntüleyebilirsiniz.Alternatif olarak, desenleri verilerde bulunan ilgili daha gelişmiş veya ayrıntılı bilgi edinmek için veri madenciliği Uzantıları (DMX) kullanarak özel bir sorgu yazabilirsiniz.
Modeli içeriği döndüren bir sorgu oluşturma hakkında daha fazla bilgi için bkz: Veri madenciliği modelleri sorgulama (Analysis Services - veri madenciliği).
Kullanabileceğiniz işlevler için sonuçlar, genişletme bir araştırma modeli döndürür.Bazı işlevler bir sonucu veya diğer puanları olasılığını temsil eden istatistikler de geri dönün.Buna ek olarak, tek tek algoritmaları ek işlevler de destekler.Örneğin, bir araştırma modeli kullanır, kümeleme, özel işlevler kümeleri hakkında bilgi bulmak için kullanabilirsiniz.Saat Series algoritmasına modelinizi esas alıyorsa, ancak farklı bir işlevler kümesi Öngörüler yapma ve modeli içeriği sorgulamak için kullanılabilir.Daha fazla bilgi için her bir algoritma için teknik başvuru konusuna bakın.
Örnekler sorgulamak için bir araştırma modeli ve tahmin kullanmaya çalıştığını nasıl, belirli bir modeli türü için tasarlanmış Bkz: Veri madenciliği modelleri sorgulama (Analysis Services - veri madenciliği).
Algoritma türleri için desteklenir tahmin işlevleri listesi için bkz: Types (DMX) sorgu için işlevler'i eşleme.
Değişiklikleri bir model olarak değerlendiriliyor
Bir iş sorununu çözmek için farklı modelleri denemeler veya solda bir model oluşturmak, her model doğruluğunu ölçmek ve ayrıca her model, iş sorununun nasıl yanıtları değerlendirmek gerekir.Veri madenciliği modelleri değerlendirme hakkında genel bilgi için bkz: Veri madenciliği modelleri doğrulanıyor (Analysis Services - veri madenciliği). Farklı madenciliği modelleri doğruluğunu grafik konusunda daha fazla bilgi için bkz:Model doğruluğu grafik araçlar (Analysis Services - veri madenciliği).