Veri madenciliği algoritmaları (Analysis Services - veri madenciliği)
The veri madenciliği algorithm is the mechanism that creates a data araştırma modeli.Bir model oluşturmak için bir algoritmayla çözümleyen bir küme veri ve belirli bir desen ve eğilimleri arar.Algoritma parametreleri tanımlamak için bu incelemenin sonuçlarını kullanır. araştırma modeli.Bu parametreler, daha sonra tüm veriler üzerinde uygulanır küme actionable desenleri ve ayrıntılı istatistiklerini çıkarmak.
Algoritma oluşturan araştırma modeli de dahil olmak üzere, çeşitli formlar alabilir:
A küme ürünleri birlikte bir işlemde gruplandırılma biçimini tanımlayan kurallar.
Belirli bir müşteri bir ürün satın olup olmadığını öngörür karar ağacı.
Satış tahminleri matematiksel bir model.
Bir dataset durumda nasıl ilişkilendirildiğini açıklayan kümeleri BIR dizi.
Microsoft SQL Server Analysis Services veri madenciliği çözümlerinizi kullanmak için çok sayıda algoritma sağlar.Bu algoritmaların, veri madenciliği için kullanılabilen algoritmalar ile ilgili alt küme küme küme küme.veri madenciliği belirtimi için OLE DB ile uyumlu olan üçüncü taraf algoritmaları de kullanabilirsiniz.Üçüncü taraf algoritmalar hakkında daha fazla bilgi için bkz: Plugin algoritmaları.
Veri madenciliği algoritmaları türleri
Analysis Services Aşağıdaki algoritma türü içerir:
Sınıflandırma algoritmaları bir veya daha fazla discrete diğer öznitelikleri, veri kümesini temel alan değişkenleri, tahmin.Bir sınıflandırma algoritmanın örneği Microsoft karar ağaçları algoritması.
Regresyon algoritmaları bir veya daha fazla sürekli gibi değişkenleri kar veya zarar diğer öznitelikleri veri kümesini temel alan, tahmin.regresyon algoritmanın örneği Microsoft saat Serisi algoritması.
segmentlere ayırma algoritmaları veri grupları veya kümeleri, benzer özelliklere sahip maddelerin bölün.Bir segmentlere ayırma algoritmanın örneği Microsoft kümeleme algoritması.
Ilişki algoritmaları farklı öznitelikleri veri kümesi arasındaki korelasyon bulun.Bu tür algoritmanın en yaygın uygulama bir pazarda sepeti çözümlemede kullanılan ilişkilendirmesi kuralları oluşturmak için ' dir.Bir ilişkilendirme algoritmanın örneği Microsoft ilişkilendirmesi algoritması.
Çözümleme algoritmaları sırası sık sıraları veya bölümü, bir Web yol akışı gibi veri özetler.Bir sıra çözümleme algoritması örneğidir Microsoft Dizi Kümeleme algoritmasısı.
Algoritmalar uygulama
Belirli bir iş görevi için kullanılacak en iyi algoritmasını seçme zor olabilir.Farklı bir algoritma, aynı iş görevi gerçekleştirmek için kullanabilirsiniz, ancak her algoritması, farklı bir sonuç üretir ve bazı algoritmalar, birden fazla türde bir sonuç üretebilir.Örneğin, kullanabileceğiniz Microsoft Karar ağaçları algoritma yalnızca tahmin, ancak aynı zamanda karar ağacı, son madenciliği modelini etkileyen sütunları tanımlayabilir, çünkü bir veri kümesi içindeki sütunların sayısını azaltmak için bir yol olarak.
Siz de bağımsız olarak algoritmaların kullanılacağını sahip değilsiniz.Tek bir veri madenciliği çözüm olarak verileri incelemek için bazı algoritmalar kullanın ve sonra belirli bir sonucunu tahmin etmek için diğer algoritmalar kullanın, verileri esas.Örneğin, desenleri, verileri daha çok veya daha az homojen gruplara ayırmak için tanıdığı bir kümeleme algoritması kullanın ve sonra da sonuçlar daha iyi bir karar ağacı model oluşturmak için kullanın.pazar sepeti çözümlemesi gerçekleştirmek için ayrı, örneğin tahmin mali bilgileri elde etmek için bir regresyon ağaç algoritması kullanarak görevleri için bir çözüm içinde birden çok algoritma ve bir kurala dayalı algoritması'nı kullanabilirsiniz.
Modelleri mining değerlerini önceden bildirmek, verilerin özetlerini oluşturmak ve gizli korelasyon bulun.Algoritmalar için veri madenciliği çözümünüz, aşağıdaki seçmek amacıyla tablo belirli görevlerde kullanmak hangi algoritmaların yönelik öneriler sağlar.
Görev |
Kullanmak için Microsoft algoritmaları |
|---|---|
Ayrı bir öznitelik tahmin. Örneğin, alıcı hedeflenen posta kampanyanın bir ürün satın olup olmadığını tahmin. |
Microsoft karar ağaçları algoritması Microsoft Naive Bayes algoritması |
Sürekli bir öznitelik tahmin. Örneğin, gelecek yıla ait satış tahmin. |
|
Bir tahmin.. Örneğin, bir şirketin tıklatma dizisi çözümlemesi gerçekleştir Web sitesi. |
|
Hareketleri genel madde grupları bulma. Örneğin, Pazar sepeti çözümlemesi satınalma için bir müşteri için ek ürün önermek üzere kullanın. |
|
Benzer madde grupları bulma. Örneğin, segment için daha iyi gruplara demografik veriler öznitelikleri arasındaki ilişkileri anlayın. |
Her model farklı türde bir sonuç döndürdüğü için Analysis Services ayrı bir görüntüleyici için her bir algoritma sağlar. Göz ne zaman bir araştırma modeli içinde Analysis Services, model üzerinde görüntülenen araştırma modeli Görüntüleyiciyi veri madenciliği uygun görüntüleyiciyi modelini kullanan Designer sekmesi.Daha fazla bilgi için bkz:veri araştırma modeli görüntüleme.
Algoritma ayrıntıları
Aşağıdaki tablo her algoritması için kullanılabilen bilgi türlerini bağlantılar sağlar:
Basic algorithm description Provides a basic explanation of what the algorithm does and how it works, together with a business scenario where the algorithm might be useful.
Teknik Başvurusu Algoritma davranışını denetlemek ve sonuçlar modelinde özelleştirmek için ayarlayabilirsiniz parametreleri listeler.Uygulama algoritması, performans ipuçları ve veri gereksinimleri hakkında ek teknik ayrıntıları sağlar.
Bir model sorgulanıyor. Her model türü ile kullanabileceğiniz sorgusuna örnekler sağlar.Modeli, modeldeki desenleri hakkında daha fazla bilgi için veya bu deseni alarak Öngörüler sorgulayabilirsiniz.
araştırma modeli içeriği Bilgi türleri modeli için genel bir yapı nasıl depolandığını açıklar ve bilgileri yorumlamak açıklar.Bir model yerleşik sonra sağlanan görüntüleyiciler kullanarak model keşfedebilirsiniz BI Development Studio, veya modeli içerikten DMX kullanarak döndürmesini sorgularını yazabilirsiniz.