Microsoft Logistic regresyon algoritması
The Microsoft Logistic regresyon algorithm is a variation of the Microsoft Neural Network algorithm. Logistic regresyon ikili sonuçları (örneğin, bir Evet ve Hayır sonucunu model oluşturma için kullanılan tanınmış bir istatistik tekniğidir.
Logistic regresyon giriş, herhangi bir türdeki alarak çok esnek, birkaç farklı analitik görev destekler:
Belirli bir hastalığı için risk gibi sonuçlar hakkında Öngörüler yapmak demografisi kullanın.
Araştır ve bir sonuca katkıda bulunan etkenleri ağırlık.Örneğin, bir mağazaya ziyaret yineleme yapmak için müşterileri etkileyen bir etken Bul.
Belgeleri, e-posta veya diğer nesnelere çok özniteliklere sahip classify.
Örnek
Bir gruba kimin benzer demografik bilgi paylaşmak ve kimin ürünleri Adventure Works şirketten satın almanız için göz önünde bulundurun.Belirli bir sonucu (örneğin, bir hedef ürünü satın ile ilişkili bir veri modelleme tarafından nasıl hedef ürün satın alma, birisinin olasılığını için demografik bilgi yaptığı katkının görebilirsiniz.
Karma algoritması'nasıl çalışır?
Logistic regresyon sonucunu bir çift için birden çok etken katkıyı belirleyen bir iyi bilinen istatistiksel yöntemidir.Microsoft uygulaması değiştirilmiş neural ağ giriş ve çıkışlarını arasındaki ilişkileri modellemek için kullanır.Her girdi çıktı üzerindeki etkisi ölçülür ve çeşitli girdileri tamamlanmış modelinde ağırlıklı.Veri eğri logistic dönüştürme kullanarak aşırı değerleri etkisini en aza indirmek için sıkıştırılmış olduğunu olgu adı logistic regresyon gelir.Uygulama ve algoritmayı özelleştirme hakkında daha fazla bilgi için bkz: Microsoft Logistic regresyon algoritması teknik başvurusu.
Veri Logistic regresyon modeller için gerekli.
Bir logistic regresyon modeli eğitim amacıyla veri hazırladığınızda, ne kadar veri gereklidir ve verileri nasıl kullanıldığı gibi belirli algoritması, gereksinimlerini anlamalısınız.
Bir logistic regresyon modeli gereksinimleri aşağıdaki gibidir:
Tek bir anahtar sütunu Her model, her kaydı benzersiz olarak tanımlayan bir sayı veya metin sütun içermelidir.Bileşik anahtar izin verilmez.
Giriş bir sütun Her model Etkenler de çözümlemesi olarak kullanılan değerleri içeren giriş en az bir sütun içermelidir.Çoğu sütunları istediğiniz, ancak her bir sütundaki değerleri sayısına bağlı olarak, ek sütunlarının eklenmesi artırabilirsiniz giriş olarak olabilir saat modeli alıştırması sürer.
Tahmin edilebilir olan en az bir sütun Model sürekli sayısal veriler de dahil olmak üzere, herhangi bir veri türü öngörülebilir en az bir sütun içermelidir.tahmin edilebilir sütun değerleri de modeline girdileri olarak kabul veya yalnızca öngörü kullanılması gerektiğini belirtebilirsiniz.Iç içe geçmiş tablolar öngörülebilir sütunlar için kullanılabilir, ancak giriş kullanılabilir.
Içerik türleri ve logistic regresyon modeller için desteklenen veri türleri hakkında daha ayrıntılı bilgi için gereksinimler bölümüne bakın. Microsoft Logistic regresyon algoritması teknik başvurusu.
Bir Logistic regresyon modeli görüntüleme
Model keşfetmek için , Microsoft Neural ağ Görüntüleyici veya Microsoft Genel içerik ağacı Görüntüleyici'yi kullanabilirsiniz.
Model Microsoft Neural ağ görüntüleyiciyi, Analysis Services, gösterir kullanarak için belirli bir sonuca katkıda bulunan etkenleri açtığınız zaman, bunların önem olduklarına.Bir öznitelik ve karşılaştırmak için değerler seçebilirsiniz.Daha fazla bilgi için bkz:Görüntüleme bir araştırma modeli Microsoft Neural ağ Görüntüleyicisi.
Daha fazla bilgi, Microsoft Genel içerik ağacı görüntüleyiciyi kullanarak modeli ayrıntıları göz atabilirsiniz.Bir logistic regresyon modeline ait model içerik modeli ve alt öngörülebilir öznitelikleri için kullanılan tüm girdileri gösteren Marjinal düğüm içerir.Daha fazla bilgi için bkz:araştırma modeli Logistic regresyon modeller için içerik (Analysis Services - veri madenciliği).
Öngörüler oluşturma
Model eğitilmiş sonra modeli içeriği regresyon katsayılar ve diğer ayrıntıları almak için sorgular oluşturabilirsiniz veya model, Öngörüler yapmak için kullanabilirsiniz.
Bir veri araştırma modeli sorgular oluşturma hakkında genel bilgi için bkz: Veri madenciliği modelleri sorgulama (Analysis Services - veri madenciliği).
Bir logistic regresyon modeli sorgulamaları örnekleri için bkz: kümeleme Modeli sorgulama (Analysis Services - veri madenciliği).
Açıklamalar
detaylandırma desteklemiyor.Bu, çünkü düğümlerin yapısını araştırma modeli mutlaka temel verileri doğrudan karşılık gelmiyor.
Veri madenciliği boyutları oluşturulmasını desteklemez.
OLAP madenciliği modelleri kullanımını destekler.
Öngörü modeli biçimlendirme dili (madenciliği modelleri oluşturmak için PMML) kullanımını desteklemez.
See Also