共用方式為


群集模型的採礦模型內容 (Analysis Services - 資料採礦)

本主題說明使用 Microsoft 群集演算法的模型專用的採礦模型內容。如需有關所有模型類型的採礦模型內容的一般說明,請參閱<採礦模型內容 (Analysis Services - 資料採礦)>。

瞭解群集模型的結構

群集模型有簡單的結構。每個模型都擁有代表模型及其中繼資料的單一父節點,而每個父節點則擁有群集的一般清單 (NODE_TYPE = 5)。下列影像顯示這個組織。

群集的模型內容結構

每個子節點都代表單一群集,且包含有關該群集之案例屬性的詳細統計資料。這包含群集中的案例計數,以及區分此群集與其他群集的值散發。

[!附註]

您不需反覆運算節點來取得群集的計數或描述;模型的父節點也會計算及列出群集。

父節點包含有用的統計資料,可描述所有培訓案例的實際散發。這些統計資料可在巢狀資料表資料行 NODE_DISTRIBUTION 中找到。例如,下表顯示 NODE_DISTRIBUTION 資料表的數個資料列,描述群集模型 TM_Clustering (您在<資料採礦基本教學課程>中建立) 的客戶人口統計散發:

ATTRIBUTE_NAME

ATRIBUTE_VALUE

SUPPORT

PROBABILITY

VARIANCE

VALUE_TYPE

Age

遺漏

0

0

0

1 (遺漏)

Age

44.9016152716593

12939

1

125.663453102554

3 (連續)

Gender

遺漏

0

0

0

1 (遺漏)

Gender

F

6350

0.490764355823479

0

4 (離散)

Gender

M

6589

0.509235644176521

0

4 (離散)

從這些結果可以看到建置模型時使用了 12939 個案例、男女比率約為 50-50,平均年齡則為 44。描述性統計資料是根據報告的屬性是否為連續的數值資料類型 (例如 age) 或離散值類型 (例如 gender) 而定。連續資料類型會計算統計量值「平均」和「變異數」,離散資料類型則會計算「機率」和「支援」。

[!附註]

變異數代表叢集的總變異數。當變異數的值很小時,代表資料行中大多數的值都相當接近平均值。若要取得標準差,請計算變異數的平方根。

請注意,每個屬性都有一個 Missing 值類型,告訴您該屬性有多少沒有資料的案例。遺漏的資料可能很多,而且視資料類型而會對計算造成不同的影響。如需詳細資訊,請參閱<遺漏值 (Analysis Services - 資料採礦)>。

群集模型的模型內容

本章節僅針對採礦模型內容中與群集模型相關的資料行,提供詳細資料和範例。

如需有關結構描述資料列集 (例如,MODEL_CATALOG 和 MODEL_NAME) 中的一般用途資料行的詳細資訊,請參閱<採礦模型內容 (Analysis Services - 資料採礦)>。

  • MODEL_CATALOG
    模型儲存位置所在的資料庫的名稱。

  • MODEL_NAME
    模型的名稱。

  • ATTRIBUTE_NAME
    在群集模型中永遠為空白,因為模式中沒有可預測的屬性。

  • NODE_NAME
    永遠與 NODE_UNIQUE_NAME 相同。

  • NODE_UNIQUE_NAME
    節點在模型內的唯一識別項。這項值不能被改變。

  • NODE_TYPE
    群集模型會輸出下列節點類型:

    節點識別碼和名稱

    描述

    1 (模型)

    模型的根節點。

    5 (群集)

    包含群集中的案例計數、群集中的案例特性以及描述群集值的統計資料。

  • NODE_CAPTION
    提供顯示用途的好記名稱。在建立模型時,NODE_UNIQUE_NAME 的值會自動用來當做標題。不過,您可以用程式設計的方式或使用檢視器來變更 NODE_CAPTION 的值,以更新群集的顯示名稱。

    [!附註]

    在重新處理模型時,所有的名稱變更都會由新值所覆寫。您不能在模型中保存名稱,或者在不同版本的模型之間追蹤群集成員資格的變更。

  • CHILDREN_CARDINALITY
    節點所擁有子系數目的估計。

    父節點:指出模型中的群集數。

    群集節點:永遠為 0。

  • PARENT_UNIQUE_NAME
    節點之父系的唯一名稱。

    父節點:永遠為 NULL

    群集節點:通常為 000。

  • NODE_DESCRIPTION
    節點的描述。

    父節點:永遠為 (All)

    群集節點:將群集與其他群集加以區分的主要屬性的逗號分隔清單。

  • NODE_RULE
    不用於群集模型。

  • MARGINAL_RULE
    不用於群集模型。

  • NODE_PROBABILITY
    與此節點關聯的機率。父節點:永遠為 1。

    群集節點:機率代表屬性的複合機率,且依用來建立群集模型的演算法不同而有一些調整。

  • MARGINAL_PROBABILITY
    從父節點到達節點的機率。在群集模型中,臨界機率永遠與節點機率相同。

  • NODE_DISTRIBUTION
    包含節點之機率長條圖的資料表。

    父節點:請參閱本主題的簡介。

    群集節點:代表此群集所含案例的屬性及值的散發。

  • NODE_SUPPORT
    支援這個節點的案例數目。父節點:指出整個模型的培訓案例數目。

    群集節點:以案例數指出群集大小。

    注意:如果模型使用 K-Means 群集,則每個案例都可以僅屬於一個群集。不過,如果模型使用 EM 群集,則每個案例都可以屬於不同的群集,且會針對案例所屬的每個群集為該案例指派一個加權距離。因此,對於 EM 模型而言,個別群集的支援總和會大於整體模型的支援。

  • MSOLAP_MODEL_COLUMN
    不用於群集模型。

  • MSOLAP_NODE_SCORE
    顯示與節點相關聯的分數。

    父節點:群集模型的 Bayesian Information Criterion (BIC) 分數。

    群集節點:永遠為 0。

  • MSOLAP_NODE_SHORT_CAPTION
    主要用於顯示用途。您無法變更此標題。

    父節點:模型 (群集模型) 的類型

    群集節點:群集的名稱。範例:群集 1。

備註

Analysis Services 提供多種建立群集模型的方法。如果您不知道所使用的模型是用什麼方法建立的,可以用程式設計的方式、使用 ADOMD 用戶端或 AMO 或者查詢資料採礦結構描述的資料列集,來擷取模型的中繼資料。如需詳細資訊,請參閱<如何:查詢用於建立採礦模型的參數>。

[!附註]

不論您使用的群集方法或參數為何,模型的結構和內容都會保持相同。