Microsoft線性回歸演算法是一種特殊版本的Microsoft判定樹演算法，針對連續屬性配對進行優化。 本主題說明演算法的實作、說明如何自定義演算法的行為，並提供查詢模型之其他信息的連結。
線性回歸演算法的實作
Microsoft判定樹演算法可用於許多工作：線性回歸、分類或關聯分析。 為了為了線性回歸目的實作此演算法，演算法的參數會受到控制，以限制樹狀結構的成長，並將模型中的所有數據保留在單一節點中。 換句話說，雖然線性回歸是以決策樹為基礎，但這棵樹只包含單一根節點，沒有任何分支：所有數據都位於根節點中。
為了達成此目的，演算法的 MINIMUM_LEAF_CASES 參數會設定為大於或等於演算法用來定型採礦模型的案例總數。 以這種方式設定參數時，演算法永遠不會建立分割，因此會執行線性回歸。
代表回歸線的方程式採用 y = ax + b 的一般形式，稱為回歸方程式。 變數 Y 代表輸出變數、X 代表輸入變數，而 a 和 b 是可調整的係數。 您可以藉由查詢已完成的採礦模型來擷取回歸公式的係數、攔截和其他資訊。 如需詳細資訊，請參閱 線性回歸模型查詢範例。
評分方法和特性選取
所有 Analysis Services 數據採礦演算法都會自動使用特徵選取來改善分析和減少處理負載。 線性回歸中用於特徵選取的方法是趣味性分數，因為模型只支持連續型數據欄。 如需參考，下表顯示線性回歸演算法和判定樹演算法的功能選取差異。
| 演算法 | 分析方法 | 評論 |
|---|---|---|
| 線性迴歸 | 趣味評分 | 違約。 判定樹演算法提供的其他特徵選取方法僅適用於離散變數，因此不適用於線性回歸模型。 |
| 決策樹 | 趣味評分 香農的熵 貝葉斯與 K2 先驗 貝氏迪里希萊特，均勻先驗（預設值） |
如果有任何數據行包含非二進位連續值，則會針對所有數據行使用有趣的分數，以確保一致性。 否則，會使用預設或指定的方法。 |
控制判定樹模型特徵選取的演算法參數是MAXIMUM_INPUT_ATTRIBUTES和MAXIMUM_OUTPUT。
自定義線性回歸演算法
Microsoft線性回歸演算法支持影響所產生採礦模型行為、效能和精確度的參數。 您也可以在採礦模型數據行或採礦結構數據行上設定模型旗標，以控制數據的處理方式。
設定演算法參數
下表列出Microsoft線性回歸演算法所提供的參數。
| 參數 | 說明 |
|---|---|
| 最大輸入屬性 | 定義演算法在叫用特徵選取之前可以處理的輸入屬性數目。 將此值設定為 0 以關閉特徵選取。 預設值為 255。 |
| MAXIMUM_OUTPUT_ATTRIBUTES | 定義演算法在叫用特徵選取之前可以處理的輸出屬性數目。 將此值設定為 0 以關閉特徵選取。 預設值為 255。 |
| FORCE_REGRESSOR | 強制演算法使用指示的數據行做為回歸輸入變數，而不論演算法計算的數據行的重要性為何。 |
模型旗標
Microsoft線性回歸演算法支援下列模型旗標。 當您建立採礦結構或採礦模型時，您可以定義模型旗標，以指定在分析期間處理每個數據行中的值的方式。 如需詳細資訊，請參閱模型旗標（數據採礦）。
| 模型旗標 | 說明 |
|---|---|
| 不可為空 | 表示欄位不能包含 Null。 如果 Analysis Services 在模型定型期間遇到 Null，將會產生錯誤。 適用於採礦結構欄位。 |
| 回歸器 | 表示數據行包含應該在分析期間視為潛在獨立變數的連續數值。 注意：將欄標示為回歸變數，無法確保該欄會在最終模型中作為回歸變數。 適用於採礦模型數據行。 |
線性回歸模型中的自變量
線性回歸模型是以Microsoft判定樹演算法為基礎。 不過，即使您未使用Microsoft線性回歸演算法，任何判定樹模型都可以包含代表連續屬性上回歸的樹狀結構或節點。
您不需要指定連續欄位代表回歸變數。 Microsoft判定樹演算法會將數據集分割成具有有意義模式的區域，即使您未在數據行上設定 REGRESSOR 旗標也一樣。 差異在於，當您設定模型旗標時，演算法會嘗試尋找形式為 a*C1 + b*C2 + ... 這樣的回歸方程式，以符合樹狀結構節點中的模式。 計算殘差的總和，如果偏差太大，則會強制在樹狀結構中分割。
例如，如果您要使用 Income 做為屬性來預測客戶購買行為，並在數據行上設定 REGRESSOR 模型旗標，演算法會先嘗試使用標準回歸公式來符合 收入 值。 如果偏差太大，則會放棄回歸公式，而且樹狀結構會分割在其他屬性上。 然後，決策樹演算法會在分割後嘗試為每個分支的收入擬合一個回歸模型。
您可以使用 FORCED_REGRESSOR 參數來保證演算法會使用特定的回歸變數。 此參數可以搭配Microsoft判定樹和Microsoft線性回歸演算法使用。
需求
線性回歸模型必須包含索引鍵數據行、輸入數據行，以及至少一個可預測的數據行。
輸入和預測欄位
Microsoft線性回歸演算法支援下表所列的特定輸入數據行和可預測數據行。 如需在採礦模型中使用內容類型的意義詳細資訊，請參閱內容類型（數據採礦）。
| 資料行 | 內容類型 |
|---|---|
| 輸入屬性 | 連續、迴圈、關鍵、數據表和有序 |
| 可預測屬性 | 連續、迴圈和已排序 |
備註
Cyclical 支援和 Ordered 內容類型，但演算法會將它們視為離散值，而且不會執行特殊處理。
另請參閱
Microsoft線性回歸演算法
線性回歸模型查詢範例
線性回歸模型的採礦模型內容 （Analysis Services - 數據採礦）