Aracılığıyla paylaş


Bir ilişkilendirme modeli sorgulama (Analysis Services - veri madenciliği)

Bir veri araştırma modeli yönelik bir sorgu oluşturduğunuzda, kurallarını ve çözümleme sırasında bulunan itemsets ayrıntılarını sağlayan ya da içerik sorgu oluşturabilirsiniz veya Öngörüler yapmak için verilerde bulunan ilişkileri'ni kullanan bir tahmin sorgu oluşturabilirsiniz.Bir ilişkilendirme modelini Öngörüler genellikle kurallara dayalı ve içeriği ile ilgili Sorgulamalar, genellikle itemsets arasında ilişki keşfedin ise, önerilerde için kullanılabilir.Modeli hakkında meta veriler de alabilirsiniz.

Bu bölüm için modelleri temel alan sorgu türleri aşağıdaki thee oluşturma açıklar Microsoft Ilişki kurallar algoritması.

  • Içerik sorgular

    DMX kullanarak modeli meta veriler alınıyor

    Şema satır kümesi ' meta veriler alınıyor

    Retrieving a List of Itemsets and Products

    Model Parametreler alınıyor

    Ilk 10 Itemsets alınıyor

  • Tahmin sorgular

    Ilişkili öğeler tahmin

    Ilgili Itemsets için güvenilirlik belirleme

Modeli hakkında bilgi bulma

Bir standart şemaya göre algoritması tarafından öğrenilen içeriği tüm madenciliği modelleri sergilemek — araştırma modeli şema satır kümesi.Veri madenciliği Uzantıları (DMX) deyimlerini kullanarak veya kullanarak araştırma modeli şema satır kümesi kümesi sorguları oluşturabilirsiniz Analysis Services saklı yordamlar. Içinde SQL Server 2008, şema Satır kümeleri gibi Transact-SQL söz dizimini kullanarak sorgulayabilir, sistem tabloları ' sunulur.

Başa dön

Örnek sorgu 1: DMX kullanarak modeli meta veriler alınıyor

Aşağıdaki sorgu ilişkilendirme modelini, ilgili temel bir meta veriler döndürür. Association, model ve modelin nerede depolandığını veritabanı modelinde alt düğümlerin sayısı adı gibi. Bu sorguyu Sorgu DMX içerik modelinin üst düğümünden meta veriler almak için kullanır:

SELECT MODEL_CATALOG, MODEL_NAME, NODE_CAPTION, 
NODE_SUPPORT, [CHILDREN_CARDINALITY], NODE_DESCRIPTION
FROM Association.CONTENT
WHERE NODE_TYPE = 1

Not

CHILDREN_CARDINALITY, sütunun adı, aynı adı ayrılmış bir MDX anahtar sözcük ayrım yapmak için ayraç içine almanız gerekir.

Örnek sonuçlar:

model_catalog

Ilişki sınaması

MODEL_ADI

Ilişkilendirme

node_caption

Ilişki kurallar modeli

node_support

14879

children_cardinality

942

node_description

Ilişki kurallar modeli; ITEMSET_COUNT 679; = RULE_COUNT; 263 = MIN_SUPPORT 14; = MAX_SUPPORT 4334; = MIN_ITEMSET_SIZE = 0; MAX_ITEMSET_SIZE = 3; MIN_PROBABILITY 0.400390625; = MAX_PROBABILITY = 1; MIN_LIFT 0.14309369632511; = MAX_LIFT 1.95758227647523 =

Bu sütun içinde bir ilişkilendirme modelini anlamı, bir tanım için bkz: araştırma modeli Ilişkilendirmesi modeller için içerik (Analysis Services - veri madenciliği).

Başa dön

Örnek sorgu 2: Şema satır kümesi ek meta veriler alınıyor

Veri madenciliği şema satır kümesi kümesi sorgulayarak, DMX içerik sorguda döndürülen aynı bilgileri bulabilirsiniz.Ancak araştırma yapısı ve öngörülebilir bir öznitelik olarak kullanılan bir sütun adı, modeli son tarih işlenen gibi bazı ek sütunlar şema satır kümesi sağlar.

SELECT MODEL_CATALOG, MODEL_NAME, SERVICE_NAME, PREDICTION_ENTITY, 
MINING_STRUCTURE, LAST_PROCESSED
FROM $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'Association'

Örnek sonuçlar:

model_catalog

AdventureWorks DW

MODEL_ADI

Ilişkilendirme

HİZMET_ADI

Ilişki kurallar modeli

prediction_entity

v ASSOC SEQ satırı öğeler

mining_structure

Ilişkilendirme

last_processed

29/9/2007 10: 21: 24 pm

Başa dön

Örnek sorgu 3: Model için özgün Parametreler alınıyor

Aşağıdaki sorgu modeli oluşturulurken kullanılan parametre ayarları ayrıntılarını içeren tek sütun döndürür.

SELECT MINING_PARAMETERS 
from $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'Association'

Örnek sonuçlar:

maximum_itemset_count 200000, maximum_itemset_size = 3 maximum_support = = 1, minimum_support 9.40923449156529E = - 04, minimum_importance =-999999999, minimum_itemset_size = 0, minimum_probability 0.4 =

Kurallar ve Itemsets hakkında bilgi bulma

Bir ilişkiyi modelinin iki yaygın kullanımı vardır: ve sık itemsets hakkında bilgi bulmak için ayıklamak belirli kurallar ve itemsets hakkındaki ayrıntılar. Örneğin, özellikle ilginç olacak şekilde sonucu kuralların listesini süzmek istediğiniz veya yaygın itemsets listesi oluşturun.Bilgileri, bir içerik DMX sorgusu kullanarak alın.Bu bilgileri kullanarak da gözatabilirsiniz Microsoft ilişkilendirmesi Görüntüleyicisi.

Başa dön

Örnek sorgu 4: Itemsets ve ürün listesini alma

Aşağıdaki sorgu ile birlikte her itemset eklenen ürünlerle listeler iç içe geçmiş bir tablo olarak itemsets tüm alır.NODE_CAPTION öğelerin bir metin açıklaması sağlar, oysa NODE_NAME sütun içinde modelin itemset benzersiz KIMLIĞINI içerir.Iki ürün içeren bir itemset iki satır sonuçlar oluşturur, örneğin, iç içe geçmiş tablo, düzleştirilir.Istemciniz, sıradüzensel veri destekliyorsa FLATTENED anahtar atlayabilirsiniz.

SELECT FLATTENED NODE_NAME, NODE_CAPTION,
NODE_PROBABILITY, NODE_SUPPORT,
(SELECT ATTRIBUTE_NAME FROM NODE_DISTRIBUTION) as PurchasedProducts
FROM Association.CONTENT
WHERE NODE_TYPE = 7

Örnek sonuçlar:

node_name

37

node_caption

Spor 100 varolan =

node_probability

0.291283016331743

node_support

4334

purchasedproducts.attribute_name

v ASSOC SEQ satırı Items(Sport-100)

Başa dön

Örnek sorgu 5: Ilk 10 Itemsets döndürülüyor

Bu örnek, bazı gruplandırma ve varsayılan olarak DMX sağlayan işlevler sipariş kullanımı gösterilmiştir.Sorgu, her düğüm için destek tarafından sipariş edilen, üst 10 itemsets döndürür.Transact-SQL'DE gibi sonuçlar grubu için açık gerek olduğunu unutmayın; ancak her sorguda yalnızca bir toplamak işlev de kullanabilirsiniz.

SELECT TOP 10 (NODE_SUPPORT),NODE_NAME, NODE_CAPTION
FROM Association.CONTENT
WHERE NODE_TYPE = 7

Örnek sonuçlar:

node_support

4334

node_name

37

node_caption

Spor 100 varolan =

Modeli kullanarak Öngörüler yapma

Bir ilişkiyi kurallarını modeli, korelasyon itemsets içinde bulunan temel alan öneriler oluşturmak için sık kullanılır.Therefore, when you create a prediction query based on an association rules model, you are typically using the rules in the model to make guesses based on new data.PredictAssociation (DMX) is the function that returns recommendations, and has several arguments that you can use to customize the query results.

Burada bir ilişkilendirme modelini sorgulamaları yararlı olabilir, diğer bir örnek ise, farklı Çapraz Satış stratejilerini verimliliğini karşılaştırabilirsiniz çeşitli kurallar ve itemsets güven getirmek istiyorsanız.Aşağıdaki örnekler, böyle bir sorgu oluşturmak nasıl göstermektedir.

Başa dön

Örnek sorgu 6: Ilişkili öğeler tahmin

Bu örnek, temel veri madenciliği öğretici'de oluşturulan ilişkilendirme modelini kullanır.Bu, belirli bir ürün satın bir müşteriye önermek için hangi ürünleri belirten bir tahmin sorgusunun nasıl oluşturulacağı gösterilmektedir.Bu tür sorgu, değer modeline sağladığınız bir SELECT…UNION Deyim, tek bir sorgu olarak adlandırılır. Yeni değerlere karşılık gelen öngörülebilir modeli sütun iç içe geçmiş bir tablo olduğundan, kullanmanız gerekir SELECT Yeni değeri iç içe geçmiş tablo sütununda eşlemek için yan tümce [Model]ve başka bir SELECT durum düzey sütunu, iç içe geçmiş tablo sütun eşlemek için yan tümce [v Assoc Seq Line Items]. INCLUDE STATISTICS anahtar sözcüğü sorguya ekleyerek olasılığı bakın ve öneriler için destek sağlar.

SELECT PredictAssociation([Association].[vAssocSeqLineItems],INCLUDE_STATISTICS, 3)
FROM [Association]
NATURAL PREDICTION JOIN 
(SELECT
(SELECT 'Classic Vest' as [Model])
AS [v Assoc Seq Line Items])
AS t

Örnek sonuçlar:

Model

$ DESTEĞİ

$ OLASILIK

$ adjustedprobability

Spor 100

4334

0.291283

0.252696

Su Şişesi

2866

0.19262

0.175205

Düzeltme eki paketi

2113

0.142012

0.132389

Başa dön

Örnek sorgu 7: Ilgili Itemsets için güvenilirlik belirleme

Kurallar, öneriler oluşturmak için yararlıdır, ancak itemsets veri kümesindeki desenleri daha derin çözümlenmesi için daha ilginç var.Örneğin, diğer inceleyin önceki örnek sorgu tarafından döndürülen öneriyi ile memnun değil, için Ürün A içeren itemsets Ürün BIR kişi ile her tür ürünleri satın eğilimindedir Donatılardan olup olmadığı ya da A belirli ürünler satınalmalarda kesinlikle olup correlated daha iyi bir fikir edinebilirsiniz.Bu ilişkilerin araştırmak için en kolay yolu, itemsets süzerek olan Microsoft Ilişki Görüntüleyicisi; ancak, bir sorgu aynı bilgileri alabilirsiniz.

Aşağıdaki örnek sorgu, su Şişesi tek maddenin dahil olmak üzere su Şişesi öğeyi içeren tüm itemsets döndürür.

SELECT TOP 100 FROM 
(
SELECT FLATTENED NODE_CAPTION, NODE_SUPPORT, 
(SELECT ATTRIBUTE_NAME from NODE_DISTRIBUTION
WHERE ATTRIBUTE_NAME = 'v Assoc Seq Line Items(Water Bottle)') as D
FROM Association.CONTENT
WHERE NODE_TYPE = 7
) AS Items
WHERE [D.ATTRIBUTE_NAME] <> NULL
ORDER BY NODE_SUPPORT DESC

Örnek sonuçlar:

node_caption

node_support

d.attribute_name

Su Şişesi varolan =

2866

v ASSOC SEQ satırı öğeler (su Şişesi)

Dağ Şişesi kafesi, varolan = su Şişesi varolan =

1136

v ASSOC SEQ satırı öğeler (su Şişesi)

Şişesi kafesi Road, varolan = su Şişesi varolan =

1068

v ASSOC SEQ satırı öğeler (su Şişesi)

Su Şişesi varolan, spor 100 = varolan =

734

v ASSOC SEQ satırı öğeler (su Şişesi)

Iç içe geçmiş bir tablo içeren bir sorgu oluşturduğunuzda, sorgu dış veya durum tablosundan yalnızca ölçütlerle eşleşen iç içe geçmiş tablo satırları, ancak aynı zamanda tüm satırları verir.Bu nedenle, bu örnekte eklediğimiz bir WHERE yan tümce Hedef özniteliği adı için null değere sahip durum tablo satırları kaldırın.

Işlev listesi

Tüm Microsoft algoritmalar, sık kullanılan bir işlevler kümesi destekler. Ancak, Microsoft Ilişki algoritması, aşağıdaki tabloda listelenen ek işlevleri destekler.

Değişiklik Geçmişi

Güncelleştirilmiş içerik

Sorgu örnekleri gözden geçirin daha kolay hale getirmek için eklenen konu içindeki bağlantılar.