Neural ağ yapısı ve modeli (Ara veri incelemesi Öğreticisi) oluşturma

Veri incelemesi modeli oluşturmak için yeni veri kaynağı görünümünü temel alan yeni bir incelemesi yapısı oluşturmak için veri incelemesi Sihirbazı'nı kullanmalısınız. Bu görev size incelemesi yapısını oluşturmak için sihirbazı kullanabilirsiniz ve aynı zamanda temel bir ilişkili incelemesi modeli oluşturmak MicrosoftNeural ağ algoritması.

Çünkü sinir ağları son derece esnek ve girişleri ve çıkışları birçok birleşimlerini çözümleyebilir, en iyi sonuçları almak için veri işleme çeşitli yollar ile deneme. Örneğin, sen-ebilmek istemek-e hizmet kalitesi için sayısal hedefi şeklini özelleştirmek binned, ya da gruplanmış, belirli iş gereksinimlerini hedef. Bunu yapmak için yeni bir sütun incelemesi yapısı bu grupların sayısal verileri farklı bir şekilde ekleyin ve sonra yeni sütunu kullanan bir model oluşturmak. Bazı araştırma yapmak için bu incelemesi modelleri kullanır.

Son olarak, ne zaman hangi faktörler iş sorunuz için büyük etkisi var. neural ağ modeli öğrendim, öngörü ve puanlama için ayrı bir model inşa edecek. Kullanacağınız Microsoftsinir ağları modelini temel alır, ancak belirli girişleri dayalı bir çözüm bulmak için optimize edilmiş Logistic regresyon algoritması.

Adımları

1. Varsayılan değerleri kullanarak temel incelemesi yapısı oluşturma

2. Öngörülebilir sütun kopyasını oluşturun ve değerleri binning göre değiştirin

3. Yeni model Ekle ve yeni sütunun çıktı için bu modeli kullanmak

4. Olarak öngörülebilir özniteliği için diğer ad oluşturma

5. Aynı şekilde modeller işlenir bir tohum atama; her iki model işleme

Varsayılan çağrı merkezi yapısı oluşturma

Varsayılan neural ağ incelemesi yapısı ve modeli oluşturmak için

1. Solution Explorer'da SQL Server Veri Akışı Araçları (SSDT), sağ Mining yapıları ve Yeni Mining yapısı.

2. Tarih veri Mining Sihirbazı'na Hoş Geldiniz sayfa'yı Next.

3. Tarih tanım yöntemi seçin sayfasında, emin olun Varolan ilişkisel veritabanı veya veri ambar seçilir ve ardından sonraki.

4. Tarih veri incelemesi yapısı oluştur sayfasında, aşağıdakileri doğrulayın seçeneğini bir incelemesi modeli incelemesi yapısı oluşturma seçilir.

5. Aşağı açılan listesinde seçeneğini tıklayın hangi veri incelemesi tekniği kullanmak ister misiniz?, sonra Microsoft Neural ağları.

   Neural ağlarda logistic regresyon modelleri temel aldığından, aynı yapısını yeniden ve yeni incelemesi modeli ekleyin.

6. Tıklayın sonraki.

   Veri kaynağı Görünüm Seç sayfası görüntülenir.

7. Altında kullanılabilir veri kaynak görünümleriseçin Call Centerve tıklayın Next.

8. Tarih Tablo türleri belirt page, select durumda yanındaki onay kutusunu tabloyu tablosu. Herhangi bir şey için seçmeyin DimDate. Tıklayın sonraki.

9. Tarih belirt eğitim veri page, select anahtar sütunun yanındaki FactCallCenterID.

10. Seçin tahmin ve giriş onay kutuları.

11. Seçin Key, giriş, ve tahmin onay kutularını aşağıdaki tabloda gösterildiği gibi:

    Tablo/sütun	Anahtar/giriş/tahmin
    AutomaticResponses	Girdi
    AverageTimePerIssue	Giriş/tahmin
    Calls	Girdi
    DateKey	Kullanmayın.
    DayOfWeek	Girdi
    FactCallCenterID	Anahtar
    IssuesRaised	Girdi
    LevelOneOperators	Giriş/tahmin
    LevelTwoOperators	Girdi
    Orders	Giriş/tahmin
    ServiceGrade	Giriş/tahmin
    Shift	Girdi
    TotalOperators	Kullanmayın.
    WageType	Girdi

    Not Birden çok öngörülebilir sütun seçilmedi. Neural ağ algoritması güçlü giriş ve çıkış özellikleri tüm olası birleşimlerini çözümleyebilirsiniz biridir. Katlanarak işleme süresini artırmak gibi büyük bir veri kümesi için bunu istemem...

12. Tarih sütunlar belirleme İçerik ve veri türü sayfasında, ızgara aşağıdaki tabloda gösterildiği gibi veri türleri, içerik türleri ve sütunlar içerdiğini doğrulayın ve ardından Next.

    Sütunlar	İçerik Türü	Veri Türleri
    AutomaticResponses	Sürekli	Uzun
    AverageTimePerIssue	Sürekli	Uzun
    Calls	Sürekli	Uzun
    DayOfWeek	Ayrık	Metin
    FactCallCenterID	Anahtar	Uzun
    IssuesRaised	Sürekli	Uzun
    LevelOneOperators	Sürekli	Uzun
    LevelTwoOperators	Sürekli	Uzun
    Orders	Sürekli	Uzun
    ServiceGrade	Sürekli	Double
    Shift	Ayrık	Metin
    WageType	Ayrık	Metin

13. Tarih Create sınama kümesi sayfasında, seçenek, metin kutusunu temizleyin Sınama verileri yüzdesi. Tıklayın sonraki.

14. Tarih Sihirbazı Tamamlanıyor sayfası için incelemesi yapısı adı, türü Call Center.

15. İçin incelemesi model adını, türü Call Center Default nnve ardından son.

    Ver ayrıntısına aracılığıyla neural ağ modeller ile verilere aracılığıyla ayrıntısına edemiyor çünkü kutusunu devre dışı.

16. Solution Explorer'da oluşturulan sadece veri incelemesi yapısı adını sağ tıklatın ve seçin işlemi.

Discretization anlama

Bir sayısal öngörülebilir özniteliği olan neural ağ modeli oluşturduğunuzda varsayılan olarak, Microsoft Neural ağ algoritması öznitelik sürekli sayı olarak davranır. Örneğin, ServiceGradeözniteliği bir teorik 0.00 (tüm aramalar cevap) aralıkları bir sayı (tüm arayanlar kapatana kadar) 1,00. Bu veri kümesi, aşağıdaki dağıtım için değerler vardır:

Model işlerken beklediğinizden sonucunda çıkışları farklı gruplandırılmış. Kümeleme değerleri iyi gruplarını tanımlamak için kullanırsanız, algoritma değerleri örneğin ayıran ServiceGradeiçine bu gibi aralıkları: 0.0748051948 - 0.09716216215. Bu gruplama matematiksel olarak doğru olsa da, bu tür aralıkları gibi iş kullanıcıları için anlamlı olmayabilir. Sayısal değerler farklı şekilde gruplandırmak için bir kopyasını veya sayısal veri sütunu için birden çok kopyasını oluşturmak ve veri incelemesi algoritma değerleri nasıl işlemek belirtin. Örneğin, algoritma beşten fazla depo değerleri bölmek belirtebilir.

Analysis Services binning veya sayısal veri işleme için yöntemler sağlar. Aşağıdaki tabloda sonuçları arasındaki farklılıklar gösterilmektedir zaman çıkış özniteliği ServiceGradeüç farklı şekilde işlenmiştir:

• Sürekli sayı olarak tedavi.

• Kullanım değerleri iyi yerleşimi tanımlamak için kümeleme algoritması sahip.

• Sayıları eşit alanları yöntemi binned belirtme.

Varsayılan model (sürekli)	Kümelendirme tarafından binned	Eşit alanları tarafından binned
VALUEDESTEK Eksik0 0.09875120	VALUEDESTEK < 0.074805194834 0.0748051948 - 0.0971621621527 0.09716216215 - 0.1329729729539 0.13297297295 - 0.16749999997510 >= 0.16749999997510	VALUEDESTEK < 0.0726 0.07 - 0.0022 0.09 - 0.1136 >= 0.1236

[!NOT]

Bu istatistikler model Marjinal istatistikleri düğüm tüm verileri işlendikten sonra alabilirsiniz. Marjinal istatistikleri düğüm hakkında daha fazla bilgi için bkz: Neural ağ modeller için içerik modeli mining (Analiz Hizmetleri - veri incelemesi).

Bu tabloda, değer sütununda ServiceGrade için numarayı nasıl işlenene gösterir. DESTEK sütun değeri kaç servis taleplerini vardı gösterir ya da bu aralıkta düştü.

1. Sürekli numaraları kullan (varsayılan)

   Varsayılan yöntemi kullanılırsa, algoritma sonuçlarını 0.09875 olan ortalama değeri ise 120 ayrı değerleri hesaplamak. Ayrıca, eksik değerleri görebilirsiniz.

2. Kümelendirme tarafından bin

   Algoritma değerlerin isteğe bağlı gruplandırmayı belirlemek Microsoft kümeleme algoritması sağlar zaman değerleri ServiceGrade için beş (5) aralıkları gruplandırmak. Destek sütundan gördüğünüz gibi durumlarda her aralık sayısı eşit olarak, dağıtılmış değil.

3. Tarafından eşit alanlar depo gözü

   Bu yöntemi seçtiğinizde, algoritma değerleri sırayla her aralığın alt ve üst sınırları değişir eşit büyüklükte kova zorlar. Kova sayısını belirtebilirsiniz, ancak iki önlemek istediğiniz herhangi bir kova kaç değerleri.

Binning seçenekleri hakkında daha fazla bilgi için bkz: Discretization yöntemleri (veri incelemesi).

Alternatif olarak, sayısal değerler kullanmak yerine, iyi gibi önceden tanımlanmış hedef aralıkları içine hizmet dereceleri sınıflandırır ayrı bir türetilen sütun eklemek (ServiceGrade <= 0,05), kabul edilebilir (0.10 > ServiceGrade >0.05) ve yoksul (ServiceGrade >= 0,10).

Bir sütun kopyasını oluşturma ve Discretization yöntemini değiştirme

Analysis Services veri incelemesi, sayısal veri binned bu şekilde kolayca değiştirebilirsiniz hedef veriyi içeren sütunu bir kopyasını ekleyerek incelemesi yapısı içinde ve discretization yöntemini değiştirme.

Aşağıdaki yordam bir kopyasını hedef özniteliği içeren incelemesi sütun açıklar ServiceGrade. Öngörülebilir özniteliği içeren incelemesi yapısı içinde herhangi bir sütun için birden çok kopyasını oluşturabilirsiniz.

Sonra gruplandırmalar karmaşıklığını azaltmak için kopyalanan sütun sayısal değerler gruplandırma özelleştirmek. Bu öğretici eşit alanları discretization yöntemini kullanın ve dört kovalar belirtin. Bu yöntemden sonuç gruplandırmalar oldukça yakın ilgi iş kullanıcılarınız için hedef değerleri vardır.

[!NOT]

Veri ilk incelenmesi sırasında Ayrıca çeşitli discretization yöntemleriyle denemeniz, veya verileri ilk kümeleme deneyin.

Mining yapısı sütun özelleştirilmiş bir kopyasını oluşturmak için

1. Solution Explorer'da, yeni oluşturduğunuz incelemesi yapısı çift tıklatın.

2. Incelemesi yapısı sekmesini tıklatın bir incelemesi yapısı sütun Ekle.

3. İçinde sütunu seçin Seç iletişim kutusunda ServiceGradelistesinden kaynak sütun, ardından Tamam.

   Yeni bir sütun incelemesi yapısı sütunlar listesine eklenir. Varsayılan olarak, yeni bir incelemesi sütun aynı ada sahip varolan bir sütun ile sayısal bir sonek vardır: Örneğin, ServiceGrade 1. Daha açıklayıcı olması için bu sütunun adını değiştirebilirsiniz.

   Discretization yöntemini de belirleyecektir.

4. Sağ ServiceGrade 1ve Özellikler.

5. İçinde Özellikler penceresinde bulun ad özelliği ve değişim adına hizmet notu Binned.

6. Bir iletişim kutusu, tüm ilgili incelemesi modeli sütun adı için aynı değişikliği yapmak istediğinizi soran görünür. Click No.

7. İçinde Özellikler penceresinde bölümünü bulun Veri türü ve gerekirse genişletin.

8. Özellik değerini değiştirmek Contentdan Continuousiçin Discretized.

   Aşağıdaki özellikler kullanıma hazırdır. Özelliklerinin değerleri aşağıdaki tabloda gösterildiği şekilde değiştirin:

   Özellik	Varsayılan değer	Yeni değer
   DiscretizationMethod	Continuous	EqualAreas
   DiscretizationBucketCount	Değer yok	4

   [!NOT]

   Varsayılan değeri DiscretizationBucketCountaslında algoritma otomatik olarak kova optimum sayısını belirler yani 0. Bu nedenle, bu özelliğin değeri varsayılan değerle sıfırlamak istiyorsanız, 0 yazın.

9. Veri Mining Tasarımcısında, tıklayın Mining modeller sekmesi.

   Bir kopyasını incelemesi yapısı sütun eklediğinizde, kopya kullanım bayrağı otomatik olarak ayarlandığını fark Ignore. Genellikle, bir incelemesi yapısı sütun kopyasını eklediğinizde, kopyayı özgün sütunu ile birlikte analiz için kullanacağınız değil veya algoritma diğer ilişkiler belirsiz iki sütun arasında güçlü bir korelasyon bulacaksınız.

Yeni bir incelemesi modeli incelemesi yapısı ekleme

Hedef öznitelik için yeni bir gruplandırma oluşturduğunuza göre discretized sütunu kullanan yeni bir incelemesi modeli eklemeniz gerekir. İşiniz bittiğinde, CallCenteriki incelemesi modelleri incelemesi yapısı olacak:

• Incelemesi modeli, Call Center Default NN, kolları ServiceGradedeğerleri sürekli aralığı olarak.

• Yeni bir incelemesi modeli oluşturacak Call Center Binned NN, onun hedef sonuçlar değerlerini kullanan ServiceGradesütunu, eşit büyüklükte dört kova dağıtılmış.

Yeni discretized sütunu temel alan bir incelemesi modeli eklemek için

1. Oluşturulan sadece incelemesi yapısı Solution Explorer'da sağ tıklatın ve seçin Açık.

2. Tıklayın Mining modeller sekmesi.

3. Tıklayın Create ilgili incelemesi modeli.

4. İçinde Mining yeni Model için iletişim kutusunu Model adı, yazın Center Binned nn çağrısı. İçinde algoritma adı aşağı açılan liste, seçme Microsoft Neural ağ.

5. Yeni incelemesi modelinde bulunan sütunlar listesinde bulun ServiceGradeve kullanımından Predictiçin Ignore.

6. Benzer şekilde, yerini ServiceGrade Binnedve kullanımından Ignoreiçin Predict.

Normalde farklı öngörülebilir öznitelikleri kullanın incelemesi modelleri karşılaştıramazsınız. Ancak, bir incelemesi modeli sütun için bir diğer ad oluşturabilirsiniz. Yani, sen-ebilmek rename sütun, ServiceGrade Binned, içinde incelemesi modeli özgün sütun aynı ada sahip olması. Düz-se bile verileri farklı discretized doğruluğu grafik, bu iki modeller sonra doğrudan karşılaştırabilirsiniz.

Bir incelemesi modeli incelemesi yapısı sütun için bir diğer ad eklemek için

1. İçinde Mining modeller altında sekme yapısıseçin ServiceGrade Binned.

   Not Özellikler penceresi, nesne, ScalarMiningStructure sütun özelliklerini görüntüler.

2. Incelemesi sütun altında ServiceGrade Binned NNsütununa karşılık gelen hücre tıklatın ServiceGrade Binned.

   Not şimdi Özellikler penceresi MiningModelColumn nesne özelliklerini görüntüler.

3. Bulun ad özelliğini ve değerini değiştirmek ServiceGrade.

4. Bulun Açıklama özelliği ve tipi geçici bir sütun diğer adı.

   Özellikler pencere aşağıdaki bilgileri içermelidir:

   Özellik	Değer
   Açıklama	Geçici bir sütun diğer adı
   ID	ServiceGrade Binned
   Bayrakları modelleme
   Ad	Service Not
   SourceColumn Kımlığı	Hizmet notu 1
   Kullanım	Tahmin

5. Herhangi bir yerini tıklatın Mining modeli sekmesi.

   Kılavuzun yeni geçici bir sütun diğer adı gösterecek şekilde güncelleştirilir ServiceGrade, sütun kullanımı yanında. Incelemesi yapısı ve iki incelemesi modelleri içeren kılavuz aşağıdaki gibi görünmelidir:

   Yapı	Call Center Default nn	Çağrı Merkezi Binned nn
   	Microsoft Neural ağ	Microsoft Neural ağ
   AutomaticResponses	Girdi	Girdi
   AverageTimePerIssue	Tahmin	Tahmin
   Aramalar	Girdi	Girdi
   DayOfWeek	Girdi	Girdi
   FactCallCenterID	Anahtar	Anahtar
   IssuesRaised	Girdi	Girdi
   LevelOneOperators	Girdi	Girdi
   LevelTwoOperators	Girdi	Girdi
   Sipariş	Girdi	Girdi
   Binned ServceGrade	Yoksay	(ServiceGrade) tahmin
   ServiceGrade	Tahmin	Yoksay
   ÜST KRKT	Girdi	Girdi
   Toplam İşletmenleri	Girdi	Girdi
   WageType	Girdi	Girdi

Model işleme

Son olarak, oluşturduğunuz modelleri kolayca karşılaştırılabilir emin olmak için tohum parametresi hem varsayılan hem de binned modelleri için ayarlayacaktır. Her model aynı noktadan veri işlemeye başlıyor garanti tohum değerini ayarlama.

[!NOT]

Tohum parametresi için sayısal bir değer belirtmezseniz, SQL Server Analysis Services model adını temel alan bir tohum oluşturacaktır. Modeller her zaman farklı adlara sahip olduğundan, onlar veri aynı sırada işlem sağlamak için tohum değeri ayarlamanız gerekir.

Tohum belirtin ve modelleri işlemek için

1. İçinde Mining modeli sekmesinde, adlı modeli sağ Call Center - LRve Ayarla algoritma parametreleri.

2. Satır holdout_seed parametresi, altındaki boş bir hücreye tıklayın değerive 1. Click OK. Yapısı ile ilişkili her model için bu adımı yineleyin.

   [!NOT]

   İlgili tüm modeller için aynı tohum kullandığınız sürece tohum seçtiğiniz değer, önemli değildir.

3. İçinde Mining modeller Seç menüsünden işlem Mining yapısı ve tüm modeller. Tıklayın Evet güncelleştirilmiş veri incelemesi proje sunucuya dağıtmak için.

4. İçinde İşlem Mining modeli iletişim kutusunda, tıklatın Run.

5. Tıklayın yakın kapatmak için İşlemi ilerleme durumu iletişim kutusunu tıklatıp ardından yakın yeniden İşlem Mining modeli iletişim kutusu.

İki ilişkili incelemesi modelleri oluşturduğunuza göre verilerdeki ilişkileri keşfetmek için verileri inceleyeceksiniz.

Ders sonraki görev

Çağrı Merkezi modelini (Ara veri incelemesi Öğreticisi) keşfetme

Ayrıca bkz.

Kavramlar

Yapıları mining (Analiz Hizmetleri - veri incelemesi)