在這項工作中，您將使用數據採礦設計師的 [ 採礦模型 ] 索引標籤來定義兩個額外的模型。 您將使用 Microsoft 分群和 Microsoft 樸素貝氏演算法來建立模型。 選取這兩種演算法是因為其預測離散值的能力（亦即自行車購買）。 如需這些演算法的詳細資訊，請參閱 Microsoft叢集演算法 和 Microsoft貝氏機率分類演算法
建立叢集採礦模型
切換至 SQL Server Data Tools （SSDT） 中數據採礦設計師中的 [ 採礦模型 ] 索引標籤。
請注意，設計工具會顯示兩個數據行，一個用於採礦結構，另一個用於您在上一課中建立的
TM_Decision_Tree採礦模型。以滑鼠右鍵按兩下 [結構] 資料行，然後選取 [ 新增採礦模型]。
在 [ 新增採礦模型] 對話框的 [ 模型名稱] 中，輸入
TM_Clustering。在 [演算法名稱] 中，選取 [Microsoft叢集]。
按一下 [確定]。
新的模型現在會出現在數據採礦設計師的 [ 採礦模型 ] 索引卷標中。 此模型是以Microsoft叢集演算法所建置，將具有類似特性的客戶分組為叢集，並預測每個叢集的自行車購買。 雖然您可以修改新模型的數據行使用方式和屬性，但本教學課程不需要變更 TM_Clustering 模型。
建立簡單貝氏挖掘模型
在 [數據採礦設計師] 的 [ 採礦模型 ] 索引標籤中，以滑鼠右鍵按兩下 [結構 ] 數據行，然後選取 [ 新增採礦模型]。
在 [ 新增採礦模型] 對話框的 [ 模型名稱] 底下，輸入
TM_NaiveBayes。在 [演算法名稱] 中，選取 Microsoft 樸素貝葉斯，再按一下 確定。
會出現一則訊息，指出Microsoft貝氏機率演算法不支持連續的 Age 和 Yearly Income 數據行。
按兩下 [是 ] 確認訊息並繼續。
新的模型會出現在數據採礦設計師的 [ 採礦模型 ] 索引卷標中。 雖然您可以修改此索引標籤中所有模型的數據行使用方式和屬性，但本教學課程不需要變更 TM_NaiveBayes 模型。