Microsoft Neural Network Algorithm
適用于:SQL Server 2019 和更早版本的 Analysis Services Azure Analysis Services Fabric/Power BI Premium
重要
資料採礦自 SQL Server 2017 Analysis Services 起退場,現在的 SQL Server 2022 Analysis Services 已不再繼續提供。 已退場和不再繼續提供之功能的文件不予更新。 若要深入了解,請參閱 Analysis Services 回溯相容性。
Microsoft 類神經網路演算法是機器學習的熱門且可調整神經網路架構的實作。 此演算法的運作方式是,針對可預測屬性的每種可能狀態測試輸入屬性的每種可能狀態,並根據定型資料計算每種組合的機率。 您可以針對分類或回歸工作使用這些機率,根據某些輸入屬性來預測結果。 類神經網路也可以用於關聯分析。
當您使用 Microsoft 類神經網路演算法建立採礦模型時,可以包含多個輸出,而演算法會建立多個網路。 單一採礦模型中所包含的網路數目,取決輸入資料行中的狀態 (或屬性值) 數目,以及採礦模型所使用的可預測資料行數目及這些資料行中的狀態數目。
範例
Microsoft 類神經網路演算法適用于分析複雜的輸入資料,例如來自製造或商業程式,或有大量訓練資料可用的商務問題,但無法使用其他演算法輕鬆衍生規則。
使用 Microsoft 類神經網路演算法的建議案例包括:
行銷和促銷分析,例如衡量直接郵寄促銷廣告或電台廣告活動的績效
從記錄資料中預測股價移動、貨幣波動或其他高流動性財務資訊
分析製造和產業流程
文字採礦
任何分析許多輸入以及較少輸出之間複雜關聯性的預測模型
演算法的運作方式
Microsoft 類神經網路演算法會建立由最多三層節點組成的網路, (有時稱為 神經) 。 這三層分別是「輸入層」、「隱藏層」和「輸出層」。
輸入層 :輸入節點會定義資料採礦模型的所有輸入屬性值及其機率。
隱藏層 :隱藏節點會接收來自輸入節點的輸入,並提供輸出給輸出節點。 隱藏層是為輸入的各種機率指派加權之處。 加權會對隱藏節點描述特定輸入的相關性或重要性。 指派給輸入的加權越大,該輸入之值的重要性就越大。 加權可以是負數,這表示輸入可以禁止而非喜好特定結果。
輸出層 :輸出節點代表資料採礦模型的可預測屬性值。
如需輸入、隱藏和輸出層之建構和計分方式的詳細說明,請參閱 Microsoft 類神經網路演算法技術參考。
類神經網路模型所需的資料
類神經網路模型必須包含一個索引鍵資料行、一或多個輸入資料行,以及一或多個可預測資料行。
使用 Microsoft 類神經網路演算法的資料採礦模型受到您為演算法可用參數所指定的值所影響。 這些參數定義資料取樣的方式、如何散發或預測每個資料行所散發的資料,以及何時會叫用功能選擇來限制用於最終模型中的值。
如需設定參數以自訂模型行為的詳細資訊,請參閱 Microsoft 類神經網路演算法技術參考。
檢視類神經網路模型
若要使用資料並查看模型如何在輸入與輸出之間產生關聯,可以使用 Microsoft 類神經網路檢視器。 您可以利用這個自訂的檢視器來篩選輸入屬性及其值,並查看示範這些屬性和值如何影響輸出的圖表。 檢視器中的工具提示會顯示與每個成對輸入和輸出值相關聯的機率與增益。 如需詳細資訊,請參閱 使用 Microsoft 類神經網路檢視器瀏覽模型。
瀏覽模型結構最簡單的方式就是使用 Microsoft 一般內容樹狀檢視器。 您可以檢視此模型所建立的輸入、輸出和網路,並可按一下任一節點加以展開,然後查看與輸入、輸出或隱藏層節點相關的統計資料。 如需詳細資訊,請參閱 使用 Microsoft 一般內容樹狀檢視器瀏覽模型。
建立預測
當模型經過處理之後,您就可以使用網路和每個節點內儲存的加權來進行預測。 類神經網路模型支援迴歸、關聯和分類分析,因此每個預測的意義都可能不同。 您也可以查詢模型本身,以檢視找到的關聯性並擷取相關的統計資料。 如需如何針對類神經網路模型建立查詢的範例,請參閱 類神經網路模型查詢範例。
如需如何在資料採礦模型上建立查詢的一般資訊,請參閱 資料採礦查詢。
備註
不支援鑽研或資料採礦維度。 這是因為採礦模型中的節點結構不一定會直接對應至基礎資料。
不支援使用預測模型標記語言 (PMML) 格式來建立模型。
支援 OLAP 採礦模型的使用。
不支援建立資料採礦維度。
另請參閱
Microsoft 類神經網路演算法技術參考資料
Mining Model Content for Neural Network Models (Analysis Services - Data Mining)
類神經網路模型查詢範例
Microsoft 羅吉斯迴歸演算法
意見反應
https://aka.ms/ContentUserFeedback。
即將登場:在 2024 年,我們將逐步淘汰 GitHub 問題作為內容的意見反應機制,並將它取代為新的意見反應系統。 如需詳細資訊,請參閱:提交並檢視相關的意見反應