在 SQL Server Analysis Services 中，Microsoft類神經網路演算法會結合輸入屬性的每個可能狀態與可預測屬性的每個可能狀態，並使用定型數據來計算機率。 您稍後可以使用這些機率進行分類或回歸，並根據輸入屬性預測預測屬性的結果。
使用Microsoft類神經網路演算法所建構的採礦模型可以包含多個網路，視用於輸入和預測的數據行數目而定，或僅用於預測。 單一採礦模型所包含的網路數目取決於輸入數據行所包含的狀態數目，以及採礦模型所使用的可預測數據行。
範例
Microsoft 類神經網路演算法可以用來分析複雜的輸入數據，例如製造或商業程序中的數據，或者有大量訓練數據可用但無法輕易推導規則的商業問題。
使用Microsoft類神經網路演算法的建議案例包括：
營銷和促銷分析，例如測量直接郵件促銷或廣播廣告活動的成功。
從歷史數據預測股票走勢、貨幣波動或其他高度流暢的財務資訊。
分析製造和工業程式。
文字採礦。
分析多個輸入與相對較少輸出之間複雜關聯性的任何預測模型。
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神經元組成的網路。 這些層是輸入層、選擇性隱藏層和輸出層。
輸入層： 輸入神經元會定義數據採礦模型的所有輸入屬性值及其機率。
隱藏層： 隱藏的神經元會接收來自輸入神經元的輸入，並提供輸出給輸出神經元。 隱藏層是輸入的各種機率指派權數的位置。 權數描述特定輸入對隱藏神經元的相關性或重要性。 指派給輸入的權數越大，該輸入的值就越重要。 權數可以是負數，這表示輸入可以抑制特定結果，而不是偏向。
輸出層： 輸出神經元代表數據採礦模型的可預測屬性值。
如需如何建構和評分輸入、隱藏和輸出層的詳細說明，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數據
類神經網路模型必須包含索引鍵數據行、一或多個輸入數據行，以及一或多個可預測的數據行。
使用Microsoft類神經網路演算法的數據採礦模型會受到您為演算法可用參數所指定的值所影響。 參數會定義如何取樣數據、如何分佈數據或預期在每個欄位中分佈，以及執行特徵選擇來限制最終模型中所使用的值。
如需設定參數以自定義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
若要處理數據並查看模型如何將輸入與輸出的關聯，您可以使用 Microsoft Neural Network Viewer。 透過這個自定義查看器，您可以篩選輸入屬性及其值，並查看顯示它們如何影響輸出的圖表。 查看器中的工具提示會顯示與每對輸入和輸出值相關聯的機率和增益。 如需詳細資訊，請參閱 使用Microsoft類神經網路查看器流覽模型。
探索模型結構最簡單的方式是使用 Microsoft一般內容樹視圖器。 您可以檢視模型所建立的輸入、輸出和網路，然後按兩下任何節點加以展開，並查看與輸入、輸出或隱藏層節點相關的統計數據。 如需詳細資訊，請參閱 使用Microsoft泛型內容樹視圖器流覽模型。
建立預測
處理模型之後，您可以使用網路和儲存在每個節點內的權數來進行預測。 類神經網路模型支援回歸、關聯和分類分析，因此，每個預測的意義可能不同。 您也可以直接查詢模型，以檢視發現的相互關聯並擷取相關的統計數據。 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。
如需如何在數據採礦模型上建立查詢的一般資訊，請參閱 數據採礦查詢。
備註
不支援鑽取或資料探勘維度。 這是因為採礦模型中節點的結構不一定直接對應至基礎數據。
不支援以預測模型標記語言 （PMML） 格式建立模型。
支援使用 OLAP 採礦模型。
不支援建立數據採礦維度。
另請參閱
Microsoft類神經網路演算法技術參考
類神經網路模型的採礦模型內容 （Analysis Services - 數據採礦）
類神經網路模型查詢範例
Microsoft羅吉斯回歸演算法