共用方式為


資料採礦演算法 (Analysis Services - 數據採礦)

適用於: SQL Server 2019 和舊版 Analysis Services Azure Analysis Services Fabric/Power BI Premium

重要

SQL Server 2017 Analysis Services 中已淘汰數據採礦,現在已在 SQL Server 2022 Analysis Services 中停止。 檔不會更新為已淘汰和已停止的功能。 若要深入瞭解,請參閱 Analysis Services 回溯相容性

數據採礦(或機器學習)中 演算法是一組啟發學習法和計算,可從數據建立模型。 為了建立模型,演算法會先分析您提供的數據,尋找特定類型的模式或趨勢。 此演算法會針對許多反覆專案使用此分析的結果,以尋找建立採礦模型的最佳參數。 然後,這些參數會套用到整個數據集,以擷取可採取動作的模式和詳細的統計數據。

演算法從您的數據建立的採礦模型可以採用各種形式,包括:

  • 一組叢集,描述數據集中的案例如何相關。

  • 預測結果的判定樹,並描述不同準則如何影響該結果。

  • 預測銷售額的數學模型。

  • 一組規則,描述產品如何在交易中群組在一起,以及產品一起購買的可能性。

SQL Server 數據採礦中提供的演算法是從數據衍生模式的最受歡迎、研究完善的方法。 若要以一個範例為例,K-means 叢集是最舊的叢集演算法之一,而且可在許多不同的工具和許多不同的實作和選項中廣泛取得。 不過,SQL Server 數據採礦中使用的 K-means 叢集的特定實作是由 Microsoft Research 所開發,然後針對 SQL Server Analysis Services 的效能進行優化。 所有Microsoft數據採礦演算法都可以廣泛自定義,而且使用提供的 API 完全可程式化。 您也可以使用 Integration Services 中的數據採礦元件,自動建立、定型和重新定型模型。

您也可以使用符合 OLE DB for Data Mining 規格的第三方演算法,或開發可註冊為服務的自定義演算法,然後在 SQL Server 數據採礦架構中使用。

選擇正確的演算法

選擇最適合用於特定分析工作的演算法可能是一項挑戰。 雖然您可以使用不同的演算法來執行相同的商務工作,但每個演算法會產生不同的結果,而某些演算法可能會產生多個類型的結果。 例如,您可以不僅使用Microsoft判定樹演算法進行預測,還可以作為減少數據集中數據行數目的方法,因為判定樹可以識別不會影響最終採礦模型的數據行。

依類型選擇演算法

SQL Server 數據採礦包含下列演算法類型:

  • 分類演算法 根據數據集中的其他屬性預測一或多個離散變數。

  • 回歸演算法 根據數據集中的其他屬性預測一或多個連續數值變數,例如收益或損失。

  • 分割演算法 將數據分割成具有類似屬性的專案群組或叢集。

  • 關聯演算法 尋找數據集中不同屬性之間的相互關聯。 這種演算法最常見的應用是建立關聯規則,可用於購物籃分析。

  • 時序分析演算法 摘要數據中的頻繁序列或情節,例如網站中的一系列點擊,或機器維護前的一系列記錄事件。

不過,您的解決方案中不應限制為一個演算法。 經驗豐富的分析師有時會使用一種演算法來判斷最有效的輸入(也就是變數),然後套用不同的演算法,根據該數據預測特定結果。 SQL Server 數據採礦可讓您在單一採礦結構上建置多個模型,因此在單一數據採礦解決方案中,您可以使用叢集演算法、判定樹模型和貝氏機率模型來取得數據的不同檢視。 您也可以在單一解決方案內使用多個演算法來執行個別的工作:例如,您可以使用回歸來取得財務預測,並使用類神經網路演算法來執行影響預測的因素分析。

依工作選擇演算法

為了協助您選取與特定工作搭配使用的演算法,下表提供每個演算法傳統上使用之工作類型的建議。

工作的範例 要使用的Microsoft演算法
預測離散屬性:

將潛在買家清單中的客戶標幟為良好或不佳的前景。

計算伺服器在未來 6 個月內失敗的機率。

分類患者結果並探索相關因素。
Microsoft 判定樹演算法

Microsoft 貝氏機率分類演算法

Microsoft 叢集演算法

Microsoft 類神經網路演算法
預測連續屬性:

預測明年的銷售量。

根據過去的歷史和季節性趨勢來預測網站訪客。

產生給定人口統計的風險分數。
Microsoft 判定樹演算法

Microsoft 時間序列演算法

Microsoft 線性回歸演算法
預測序列:

執行公司網站的點擊流分析。

分析導致伺服器失敗的因素。

擷取和分析門診訪問期間的活動順序,以制定常見活動的最佳作法。
Microsoft 時序群集演算法
尋找交易中常見專案的群組:

使用購物籃分析來判斷產品放置。

建議客戶購買其他產品。

分析訪客到活動的調查數據,以找出哪些活動或展臺相互關聯,以規劃未來的活動。
Microsoft 關聯演算法

Microsoft 判定樹演算法
尋找類似專案的群組:

根據人口統計和行為等屬性建立患者風險配置檔群組。

流覽和購買模式來分析使用者。

識別具有類似使用特性的伺服器。
Microsoft 叢集演算法

Microsoft 時序群集演算法

下一節提供 SQL Server 數據採礦中每個數據採礦演演算法學習資源的連結:

主題 描述
判斷數據採礦模型所使用的演算法 查詢用來建立採礦模型的參數
建立自定義 Plug-In 演算法 外掛程式演演算法
使用演算法特定的查看器探索模型 數據採礦模型查看器
使用泛型數據表格式檢視模型的內容 使用Microsoft一般內容樹視圖器流覽模型
瞭解如何設定數據並使用演算法來建立模型 採礦結構 (Analysis Services - 數據採礦)

採礦模型 (Analysis Services - 數據採礦)

另請參閱

數據採礦工具