共用方式為


遺漏值 (Analysis Services - 資料採礦)

遺漏值可能代表資料發生幾種不同狀況。可能是欄位不適用、事件未發生或資料無法使用。輸入資料的人員可能不知道正確的值,或者未注意欄位是否填入。因此,Analysis Services 提供兩個完全不同的機制來管理及計算這些遺漏的值 (也稱為 Null 值)。

如果您正在建立模型的工作指出資料行絕對不能有遺漏值,則在定義採礦結構時應該使用 NOT_NULL 模型旗標。這樣可確保案例在沒有適當的值時,處理就會失敗。如果在處理模型時發生錯誤,您就可以記錄錯誤,然後採取步驟來修正提供給模型的資料。有多種工具可用來推斷及填入適當的值,例如 SQL Server Integration Services 中的查閱轉換或資料設定檔工作,或是 Data Mining Add-Ins for Excel 中提供的 Fill By Example 工具。

不過,在許多資料採礦案例中,遺漏值也會提供重要的資訊。一般而言,Analysis Services 會將遺漏值視為具有資訊價值,並調整機率以在計算中併入遺漏值。這麼做可確保模型的平衡,而不會賦予現有的案例過重的加權。本章節說明如何在允許 Null 值的模型中,將值定義及計算為**「遺漏」**。本主題也描述在建立模型時,資料採礦演算法如何處理及使用這些 Missing 值。

[!附註]

每個演算法 (包括從協力廠商外掛程式所取得的自訂演算法) 都可能用不同的方式處理遺漏值。

在模型中使用遺漏值

對資料採礦演算法而言,遺漏值也具有資訊價值。在案例資料表中,Missing 與其他狀態一樣是有效的狀態;此外,資料採礦模型也可以使用其他值來預測是否遺漏了值。換言之,遺漏值這件事並不會被視為錯誤。

在建立資料採礦模型時,Missing 狀態會自動加入至所有離散資料行的模型。例如,如果「性別」的輸入資料行包含「男」和「女」兩個可能值,則第三個值會自動加入以代表 Missing 值,而顯示資料行所有值散發的長條圖一定會包含具有 Missing 值的案例計數。如果「性別」資料行未遺漏任何值,則長條圖會顯示在 0 個案例中找到「遺漏」狀態。

如果考量到資料可能並不具備所有可能值的範例時,依預設包含 Missing 狀態就很有道理,而且您也不想只因為資料中沒有範例而讓模型排除可能的值。例如,如果某個店家的銷售資料顯示已購買特定產品的所有客戶剛好都是女性,您不會想建立一個模型來預測只有女性可能會購買該產品。Analysis Services 會針對額外未知的值加入預留位置 (稱為 Missing),當做容納其他可能狀態的方式。

例如,下表顯示針對 Bike Buyer 教學課程所建立的決策樹模型中 (All) 節點的值散發。在範例案例中,[Bike Buyer] 資料行是可預測的屬性,其中 1 代表「是」而 0 代表「否」。

案例

0

9296

1

9098

Missing

0

此散發顯示大約一半的客戶已購買腳踏車,另一半則沒有。這個特定資料集非常清楚,因此每個案例在 [Bike Buyer] 資料行中都有一個值,而 Missing 值為 0。不過,如果任何案例在 [Bike Buyer] 欄位中有一個 Null 值,則 Analysis Services 會將該資料行計為具有 Missing 值的案例。

如果輸入是連續的資料行,則模型會將屬性的兩個可能狀態製為表格:Existing 和 Missing。換言之,資料行會包含某個數值類型的值或不包含任何值。對於擁有值的案例,模型會計算平均標準差以及其他有用的統計資料。對於沒有值的案例,模型則會提供 Missing 值的計數並據此調整預測。調整預測的方法會根據演算法而異,相關說明請見下一章節。

[!附註]

對於巢狀資料表中的屬性而言,遺漏值沒有很高的資訊價值。例如,如果客戶尚未購買產品,則巢狀的 Products 資料表就不會有對應該產品的資料列,採礦模型也不會為遺漏的產品建立屬性。不過,如果您對尚未購買特定產品的客戶感興趣,可以藉由在模型篩選中使用 NOT EXISTS 陳述式,建立會針對巢狀資料表中不存在的產品進行篩選的模型。如需詳細資訊,請參閱<如何:將篩選套用至採礦模型>。

調整遺漏值的機率

除了計算值以外,Analysis Services 也可以計算整個資料集中任何值的機率。Missing 值的情況也是如此。例如,下列資料表顯示前述範例中案例的機率:

案例

機率

0

9296

50.55%

1

9098

49.42%

Missing

0

0.03%

當案例數為 0 時,Missing 值的機率計算為 0.03% 可能看起來很奇怪。事實上,這個行為是經過設計的,代表可讓模型正常處理未知值的調整。

一般而言,機率是由理想案例除以所有可能案例來計算。在此案例中,演算法會計算符合特定條件 ([Bike Buyer] = 1 或 [Bike Buyer] = 0) 的案例總和,然後將該數目除以資料列的總計。不過,為了計算 Missing 案例,所以會在所有可能案例數中加入 1。結果是未知案例的機率不再為零,但為很小的數目,代表狀態僅為不太可能,而非不可能。

加入這個微小的 Missing 値並不會變更預測器的結果,但可以為歷程記錄資料不支援所有可能結果的案例建立更好的模型。

[!附註]

資料採礦提供者處理遺漏值的方式各有不同。例如,某些提供者假設巢狀資料行中的遺漏資料是疏鬆的表示,但非巢狀資料行中的遺漏資料則是隨機遺漏。

如果您確定資料中已指定了所有結果而想避免調整機率,則應該在採礦結構中的資料行上設定 NOT_NULL 模型旗標。

在決策樹模型中對遺漏值的特別處理

Microsoft 決策樹演算法計算遺漏值機率的方法與其他演算法不同。決策樹演算法並不只是在案例總數中加 1,而是使用稍微不同的公式來調整「遺漏」狀態。

在決策樹模型中,遺漏狀態的機率計算方式如下:

StateProbability = (NodePriorProbability)* (StateSupport + 1) / (NodeSupport + TotalStates)

此外,決策樹演算法在 SQL Server 2008 Analysis Services 中會提供額外的調整,以協助演算法補償模型具有的篩選,這些篩選可能會導致在培訓期間排除許多狀態。

在 SQL Server 2008 中,如果某狀態存在於培訓期間,但在特定節點中剛好沒有任何支援,則會進行標準調整。不過,如果在培訓期間都沒有遇到某狀態,則演算法會將機率設為剛好為 0。這項調整不只會套用至「遺漏」狀態,也會套用至存在於培訓資料、但因為模型篩選而沒有任何支援的狀態。

這項額外的調整產生下列公式:

如果狀態在培訓集中沒有任何支援,則 StateProbability = 0.0

ELSE StateProbability = (NodePriorProbability)* (StateSupport + 1) / (NodeSupport + TotalStatesWithNonZeroSupport)

這項調整的結果是可以維持樹狀結構的穩定性。