适用于：
SQL Server 2019 及更早版本的 Analysis Services 
Azure Analysis Services Fabric/Power BI Premium
重要
SQL Server 2017 Analysis Services 中弃用了数据挖掘，现已在 SQL Server 2022 Analysis Services 中停止使用。 文档不会更新为已弃用和已停用的功能。 若要了解详细信息，请参阅 Analysis Services 向后兼容性。
Microsoft神经网络算法是机器学习的热门且可适应的神经网络体系结构的实现。 该算法的工作原理是针对可预测属性的每个可能状态测试输入属性的每个可能状态，并根据训练数据计算每个组合的概率。 可以将这些概率用于分类或回归任务，根据某些输入属性预测结果。 神经网络还可用于关联分析。
使用Microsoft神经网络算法创建挖掘模型时，可以包含多个输出，该算法将创建多个网络。 单个挖掘模型中包含的网络数取决于输入列中的状态数（或属性值），以及挖掘模型使用的可预测列数以及这些列中的状态数。
Example
Microsoft 神经网络算法可用于分析复杂的输入数据，例如制造或商业流程中的数据，或是对于存在大量训练数据但无法使用其他算法轻松派生规则的业务问题。
使用Microsoft神经网络算法的建议方案包括：
营销和促销分析，例如衡量直接邮件促销或广播广告活动的成功
从历史数据预测股票走势、货币波动或其他高度流动的金融信息
分析制造和工业流程
文本挖掘
分析许多输入之间的复杂关系和相对较少的输出的任何预测模型
算法的工作原理
Microsoft神经网络算法创建一个网络，该网络由最多三层节点（有时称为 神经元）组成。 这些层是 输入层、 隐藏层和 输出层。
输入层： 输入节点定义数据挖掘模型的所有输入属性值及其概率。
隐藏层： 隐藏节点从输入节点接收输入，并向输出节点提供输出。 隐藏层是输入的各种概率分配权重的位置。 权重描述特定输入对隐藏节点的相关性或重要性。 分配给输入的权重越大，该输入的值就越重要。 权重可以是负数，这意味着输入可以抑制特定结果，而不是偏爱。
输出层： 输出节点表示数据挖掘模型的可预测属性值。
有关如何构造和评分输入层、隐藏层和输出层的详细说明，请参阅 Microsoft神经网络算法技术参考。
神经网络模型所需的数据
神经网络模型必须包含键列、一个或多个输入列和一个或多个可预测列。
使用Microsoft神经网络算法的数据挖掘模型受为算法可用的参数指定的值的影响很大。 参数定义数据采样方式、数据分布方式或预期在每个列中分布的方式，以及何时调用特征选择来限制在最终模型中使用的值。
有关设置参数以自定义模型行为的详细信息，请参阅 Microsoft神经网络算法技术参考。
查看神经网络模型
若要处理数据并查看模型如何将输入与输出相关联，可以使用 Microsoft神经网络查看器。 使用此自定义查看器，可以筛选输入属性及其值，并查看显示它们如何影响输出的图形。 查看器中的工具提示显示与每对输入和输出值关联的概率和提升。 有关详细信息，请参阅 使用Microsoft神经网络查看器浏览模型。
浏览模型结构的最简单方法是使用 Microsoft泛型内容树查看器。 可以查看模型创建的输入、输出和网络，然后单击任何节点将其展开，并查看与输入、输出或隐藏层节点相关的统计信息。 有关详细信息，请参阅 使用Microsoft泛型内容树查看器浏览模型。
创建预测
处理模型后，可以使用每个节点中存储的网络和权重进行预测。 神经网络模型支持回归、关联和分类分析，因此，每个预测的含义可能不同。 还可以查询模型本身，以查看找到的相关性和检索相关的统计信息。 有关如何针对神经网络模型创建查询的示例，请参阅 神经网络模型查询示例。
有关如何对数据挖掘模型创建查询的一般信息，请参阅 数据挖掘查询。
注解
不支持钻取或数据挖掘维度。 这是因为挖掘模型中节点的结构不一定直接与基础数据相对应。
不支持以预测模型标记语言 （PMML） 格式创建模型。
支持使用 OLAP 挖掘模型。
不支持创建数据挖掘维度。
另请参阅
Microsoft神经网络算法技术参考
神经网络模型的模型内容挖掘（Analysis Services - 数据挖掘）
神经网络模型查询示例
Microsoft逻辑回归算法