分类矩阵（Analysis Services - 数据挖掘）
“分类矩阵”通过确定预测值是否与实际值匹配，将模型中的所有事例分为不同的类别。 然后会对每个类别中的所有事例进行计数，并在矩阵中显示总计。 分类矩阵是评估统计模型的标准工具，有时被称为“混淆矩阵”。
在选择**“分类矩阵”**选项为每个指定的预测状态将实际值与预测值比较时创建的图表。 矩阵的行表示模型的预测值，而列则表示实际值。 分析中使用的类别为“假正”、“真正”、“假负”和“真负”。
分类矩阵是评估预测结果的重要工具，因为它使得结果更易于理解并说明错误预测的影响。 通过查看此矩阵中每个单元的金额和百分比，可以快速查看模型做出准确预测的频率。
本节说明如何创建分类矩阵以及如何解释结果。
理解分类矩阵
考虑作为数据挖掘基础教程的一部分而创建的模型。 [TM_DecisionTree] 模型用于帮助创建目标邮递活动，可利用该模型来预测哪些客户最有可能购买自行车。 为了测试此模型是否有效，您使用一个结果属性值 [Bike Buyer] 已知的数据集。 通常，将使用在创建用于定型模型的挖掘结构时留出的测试数据集。
只有两个可能的结果：是（客户可能购买自行车）和否（客户可能不购买自行车）。 因此，所得的分类矩阵相对比较简单。
解释结果
下表显示 TM_DecisionTree 模型的分类矩阵。 请记住对于这个可预测属性，0 表示“否”，1 表示“是”。
预测 |
0（实际值） |
1（实际值） |
|---|---|---|
0 |
362 |
144 |
1 |
121 |
373 |
包含值 362 的第一个结果单元格指示值 0 为“真正”的次数。 因为 0 指示客户未购买自行车，因此该统计信息指出模型在 362 个事例中对非自行车购买者预测出了正确的值。
直接位于该单元格下方的单元格包含值 121，其指示“假正”的数目，或者模型预测出某人会购买自行车而实际上该人却未购买的次数。
包含值 144 的单元格指示值 1 为“假正”的次数。 因为 1 表示客户确实购买了自行车，因此该统计信息指出在 144 个事例中，该模型预测出某人不会购买自行车，而实际上却正相反。
最后，包含值 373 的单元格指示目标值 1 为“真正”的次数。 换言之，在 373 个事例中，该模型正确预测出某人会购买自行车。
将对角线上相邻的单元格中的值相加，根据得出的结果可以确定该模型的总体准确性。 一条对角线指示准确预测的总数，另一条对角线指示错误预测的总数。
使用多个可预测值
[Bike Buyer] 事例由于只有两个可能值，因此特别容易解释。 如果可预测属性具有多个可能值，则分类矩阵会针对每个可能的实际值添加一个新列，然后为每个预测值统计匹配的数目。 下表显示有关另一个模型的结果，该模型中有三个可能值（0、1 和 2）。
预测 |
0（实际值） |
1（实际值） |
2（实际值） |
|---|---|---|---|
0 |
111 |
3 |
5 |
1 |
2 |
123 |
17 |
2 |
19 |
0 |
20 |
尽管添加更多的列会使报表看起来更复杂，但如果希望评估做出错误预测的累计成本，则这些附加详细信息会非常有帮助。 若要在对角线上求和或者比较不同行组合的结果，可以单击**“分类矩阵”选项卡中提供的“复制”**按钮，然后将该报表粘贴到 Excel 中。 也可使用同时支持 SQL Server 2005 和更高版本的客户端，如 Excel 数据挖掘客户端，直接在包括计数和百分比的 Excel 中创建分类报表。 有关详细信息，请参阅 SQL Server Data Mining（SQL Server 数据挖掘）。
分类矩阵的限制
分类矩阵仅可与离散可预测属性结合使用。
尽管在**“挖掘准确性图表”设计器的“输入选择”选项卡上选择模型时可以添加多个模型，“分类矩阵”**选项卡将为每个模型显示单独的矩阵。
相关内容
下列主题包含有关如何生成和使用分类矩阵和其他图表的详细信息。
主题 |
链接 |
|---|---|
提供如何创建目标邮递模型的提升图的演练。 |
|
说明相关的图表类型。 |
|
说明如何将交叉验证用于挖掘模型和挖掘结构。 |
|
说明用于创建提升图和其他准确性图表的步骤。 |