ALTER MINING STRUCTURE (DMX)
建立以現有採礦結構為基礎的新採礦模型。 使用 ALTER MINING STRUCTURE 陳述式來建立新的採礦模型時，結構也必須存在。 相反地，在使用 CREATE MINING MODEL (DMX) 陳述式時，您要同時建立模型並自動產生其基礎採礦結構。
語法
ALTER MINING STRUCTURE <structure>
ADD MINING MODEL <model>
(
<column definition list>
[(<nested column definition list>) [WITH FILTER (<nested filter criteria>)]]
)
USING <algorithm> [(<parameter list>)]
[WITH DRILLTHROUGH]
[,FILTER(<filter criteria>)]
引數
structure
要對其加入採礦模型之採礦結構的名稱。model
採礦模型的唯一名稱。column definition list
資料行定義的逗號分隔清單。nested column definition list
取自巢狀資料表之資料行的逗號分隔清單 (如果適用的話)。nested filter criteria
套用至巢狀資料表中資料行的篩選運算式。algorithm
提供者所定義的資料採礦演算法名稱。[!附註]
目前提供者所支援之演算法的清單可使用 DMSCHEMA_MINING_SERVICES 資料列集 加以擷取。 若要檢視目前 Analysis Services 執行個體中所支援的演算法，請參閱＜資料採礦屬性＞。
parameter list
選擇性。 提供者自訂之演算法參數的逗號分隔清單。filter criteria
套用至案例資料表中之資料行的篩選運算式。
備註
如果採礦結構包含複合索引鍵，採礦模型就必須包含結構中定義的所有索引鍵資料行。
如果模型不需要可預測資料行 (例如使用 Microsoft 群集與 Microsoft 時序群集演算法建立的模型)，您就不必在陳述式中包含資料行定義。 產生之模型中的所有屬性都會當成輸入處理。
在套用至案例資料表的 WITH 子句中，您可以同時指定篩選和鑽研的選項：
加入 FILTER 關鍵字和篩選條件。 篩選器會套用到採礦模型中的案例。
加入 DRILLTHROUGH 關鍵字可以讓採礦模型的使用者從模型結果鑽研至案例資料。 在資料採礦延伸模組 (DMX) 中，只有在建立模型時才能啟用鑽研。
若要同時使用案例篩選和鑽研，可以使用下列範例所示的語法，在單一 WITH 子句中結合關鍵字：
WITH DRILLTHROUGH, FILTER(Gender = 'Male')
資料行定義清單
請藉由指定資料行定義清單 (其中包含每個資料行的下列資訊) 來定義模型的結構：
名稱 (強制的)
別名 (選擇性)
模型旗標
指出資料行是否包含可預測值之演算法的預測要求，由 PREDICT 或 PREDICT_ONLY 子句指出
使用下列資料行定義清單的語法來定義單一資料行：
<structure column name> [AS <model column name>] [<modeling flags>] [<prediction>]
資料行名稱和別名
在資料行定義清單中使用的資料行名稱，必須是採礦結構中所使用的資料行名稱。 不過，您也可以選擇定義別名來代表採礦模型中的結構資料行。 您也可以為相同的結構資料行建立多個資料行定義，然後為每個資料行副本指派不同的別名及預測使用方式。 根據預設，如果沒有定義別名，就會使用結構資料行名稱。 如需詳細資訊，請參閱＜建立模型資料行的別名＞。
如果是巢狀資料表資料行，則要指定巢狀資料表的名稱、將資料類型指定為 TABLE，然後提供巢狀資料行的清單以包含在模型中 (加上引號)。
您可以將篩選準則運算式加在巢狀資料表資料行定義之後，以定義套用至巢狀資料表的篩選運算式。
模型旗標
Analysis Services 支援下列用於採礦模型資料行的模型旗標：
[!附註]
NOT_NULL 模型旗標適用於採礦結構資料行。 如需詳細資訊，請參閱＜CREATE MINING STRUCTURE (DMX)＞。
術語 |
定義 |
REGRESSOR |
指示演算法可以在迴歸演算法的迴歸公式中使用指定的資料行。 |
MODEL_EXISTENCE_ONLY |
指出屬性資料行的值是否比屬性的存在更重要。 |
您可以為一個資料行定義多個模型旗標。 如需有關如何使用模型旗標的詳細資訊，請參閱＜模型旗標 (DMX)＞。
預測子句
預測子句描述如何使用預測資料行。 下表列出可能的子句。
PREDICT |
這個資料行可以由模型預測，而其值可以用來當做輸入以預測其他可預測資料行的值。 |
PREDICT_ONLY |
這個資料行可以依模型預測，但是其值不能用於輸入案例中以預測其他可預測資料行的值。 |
篩選準則運算式
您可以定義篩選來限制用於採礦模型中的案例。 篩選可套用至案例資料表中的資料行或巢狀資料表中的資料列，或套用至兩者。
篩選準則運算式是經過簡化的 DMX 述詞，與 WHERE 子句類似。 篩選運算式限於使用基本數學運算子、純量和資料行名稱的公式。 EXISTS 運算子則是例外；如果子查詢至少傳回一個資料列，該運算子就會評估為 True。 述詞可以使用常見的邏輯運算子 AND、OR 和 NOT 等來結合。
如需有關搭配採礦模型使用篩選的詳細資訊，請參閱＜採礦模型的篩選 (Analysis Services - 資料採礦)＞。
[!附註]
篩選中的資料行必須是採礦結構資料行。 您無法在模型資料行或別名資料行上建立篩選。
如需有關 DMX 運算子和語法的詳細資訊，請參閱＜採礦模型資料行＞。
參數定義清單
您可以將演算法參數加入至參數清單，以調整模型的效能和功能。 可以使用的參數是依照您在 USING 子句中指定的演算法而定。 如需與每一種演算法相關聯的參數清單，請參閱＜資料採礦演算法 (Analysis Services - 資料採礦)＞。
參數清單的語法如下：
[<parameter> = <value>, <parameter> = <value>,…]
範例 1：將模型加入至結構
下列範例將 Naive Bayes 採礦模型加入至 New Mailing 採礦結構，並將屬性狀態的最大數目限制為 50。
ALTER MINING STRUCTURE [New Mailing]
ADD MINING MODEL [Naive Bayes]
(
CustomerKey,
Gender,
[Number Cars Owned],
[Bike Buyer] PREDICT
)
USING Microsoft_Naive_Bayes (MAXIMUM_STATES = 50)
範例 2：將篩選模型加入至結構
下列範例將採礦模型 Naive Bayes Women 加入至 New Mailing 採礦結構。 新模型的基本結構與在範例 1 中加入的採礦模型相同；不過這個模型將取自採礦結構的案例限制為年過 50 的女性客戶。
ALTER MINING STRUCTURE [New Mailing]
ADD MINING MODEL [Naive Bayes Women]
(
CustomerKey,
Gender,
[Number Cars Owned],
[Bike Buyer] PREDICT
)
USING Microsoft_Naive_Bayes
WITH FILTER([Gender] = 'F' AND [Age] >50)
範例 3：將篩選模型加入至具有巢狀資料表的結構
下列範例將採礦模型加入至購物籃採礦結構的修改版本中。 範例中使用的採礦結構已修改為加入 Region 資料行 (包含客戶地區的屬性)，以及 Income Group 資料行 (使用 High、Moderate 或 Low 等值將客戶收入分類)。
此採礦結構也會包含列出客戶已購買之項目清單的巢狀資料表。
因為採礦結構包含巢狀資料表，所以您可以在案例資料表、巢狀資料表 (或這兩者) 上定義篩選。 此範例結合了案例篩選和巢狀資料列篩選，將案例限制為已購買其中一款公路胎型號的富有歐洲客戶。
ALTER MINING STRUCTURE [Market Basket with Region and Income]
ADD MINING MODEL [Decision Trees]
(
CustomerKey,
Region,
[Income Group],
[Product] PREDICT (Model)
WITH FILTER (EXISTS (SELECT * FROM [v Assoc Seq Line Items] WHERE
[Model] = 'HL Road Tire' OR
[Model] = 'LL Road Tire' OR
[Model] = 'ML Road Tire' )
)
) WITH FILTER ([Income Group] = 'High' AND [Region] = 'Europe')
USING Microsoft_Decision Trees