Miningmodellinhalt von neuronalen Netzwerkmodellen (Analysis Services - Data Mining)

Gilt für: SQL Server 2019 und früheren Analysis Services Azure Analysis Services Fabric/Power BI Premium

Wichtig

Data Mining wurde in SQL Server 2017 Analysis Services als veraltet eingestuft und wurde jetzt in SQL Server 2022 Analysis Services eingestellt. Die Dokumentation wird für veraltete und eingestellte Features nicht aktualisiert. Weitere Informationen finden Sie unter Abwärtskompatibilität von Analysis Services.

In diesem Thema wird der Miningmodellinhalt beschrieben, der Modellen eigen ist, die den Microsoft Neural Network-Algorithmus verwenden. Eine Erläuterung der Interpretation von Statistiken und Strukturen, die von allen Modelltypen gemeinsam genutzt werden, sowie allgemeine Definitionen von Begriffen im Zusammenhang mit Miningmodellinhalten finden Sie unter Miningmodellinhalt (Analysis Services – Data Mining).

Grundlegendes zur Struktur von neuronalen Netzwerkmodellen

Jedes neuronale Netzwerkmodell verfügt sowohl über einen einzelnen, übergeordneten Knoten, der das Modell und seine Metadaten darstellt, als auch über einen Knoten für Randstatistik (NODE_TYPE = 24), der beschreibende Statistiken über die Eingabeattribute bietet. Der Knoten für Randstatistik ist hilfreich, da er Informationen über Eingaben zusammenfasst, sodass Sie keine Daten von den einzelnen Knoten abfragen müssen.

Unterhalb dieser beiden Knoten befinden sich mindestens zwei weitere Knoten. Abhängig davon, über wie viele vorhersagbare Attribute das Modell verfügt, können dies auch viel mehr sein.

• Der erste Knoten (NODE_TYPE = 18) stellt immer den obersten Knoten der Eingabeebene dar. Unterhalb dieses obersten Knotens befinden sich Eingabeknoten (NODE_TYPE = 21), die die tatsächlichen Eingabeattribute und ihre Werte enthalten.

• Darauf folgende Knoten enthalten jeweils ein anderes Subnetzwerk (NODE_TYPE = 17). Jedes Subnetzwerk enthält eine verborgene Ebene (NODE_TYPE = 19) und eine Ausgabeebene (NODE_TYPE = 20) für dieses Subnetzwerk.

Die Informationen auf der Eingabeebene sind unkompliziert: der oberste Knoten einer jeden Eingabeebene (NODE_TYPE = 18) dient als Planer für eine Auflistung von Eingabeknoten (NODE_TYPE = 21). Der Inhalt der Eingabeknoten wird in der folgenden Tabelle beschrieben.

Jedes Subnetzwerk (NODE_TYPE = 17) stellt die Analyse der Auswirkung der Eingabeebene auf ein bestimmtes vorhersagbares Attribut dar. Wenn mehrere vorhersagbare Ausgaben vorliegen, gibt es mehrere Subnetzwerke. Die verborgene Ebene eines jeden Subnetzwerks enthält mehrere verborgene Knoten (NODE_TYPE = 22), die Details über die Gewichtungen für jeden Übergang enthalten, der in diesem verborgenen Knoten endet.

Die Ausgabeebene (NODE_TYPE = 20) enthält Ausgabeknoten (NODE_TYPE = 23), die jeweils unterschiedliche Werte des vorhersagbaren Attributs enthalten. Wenn das vorhersagbare Attribut vom kontinuierlichen, numerischen Datentyp ist, gibt es nur einen Ausgabeknoten für das Attribut.

Hinweis

Der Logistic Regression-Algorithmus verwendet einen besonderen Fall eines neuronalen Netzwerks, der nur über ein vorhersagbares Ergebnis und potenzielle viele Eingaben verfügt. Die logistische Regression verwendet keine verborgene Ebene.

Die einfachste Art und Weise, die Struktur der Eingaben und Subnetzwerke zu durchsuchen, erfolgt über den Microsoft Generic Content Tree-Viewer. Sie können auf jeden Knoten klicken, um diesen zu erweitern und die untergeordneten Knoten einzusehen. Des Weiteren können Sie die Gewichtungen und andere Statistiken einsehen, die im Knoten enthalten sind.

Um mit den Daten zu arbeiten und zu sehen, wie das Modell Eingaben mit Ausgaben korreliert, verwenden Sie den Microsoft-Viewer für neuronale Netzwerke. Durch die Verwendung dieses benutzerdefinierten Viewers können Sie Eingabeattribute und deren Werte filtern und Diagramme einsehen, die darstellen, welche Auswirkungen diese auf die Ausgaben haben. Die QuickInfos im Viewer zeigen Ihnen die Wahrscheinlichkeit und Prognose für jedes Paar an Eingaben und Ausgabewerten an. Weitere Informationen finden Sie unter Modell mit dem Microsoft-Viewer für neuronale Netzwerke durchsuchen.

Modellinhalt eines neuronalen Netzwerkmodells

In diesem Abschnitt werden nur diejenigen Spalten des Miningmodellinhalts detaillierter und anhand von Beispielen erläutert, die für neuronale Netzwerke relevant sind. Informationen zu allgemeinen Spalten im Schemarowset, z. B. MODEL_CATALOG und MODEL_NAME, die hier nicht beschrieben werden, oder Erläuterungen zur Terminologie des Miningmodells finden Sie unter Miningmodellinhalt (Analysis Services – Data Mining).

MODEL_CATALOG
Name der Datenbank, in der das Modell gespeichert wird.

MODEL_NAME
Name des Modells.

ATTRIBUTE_NAME
Die Namen der Attribute, die diesem Knoten entsprechen.

Node	Inhalt
Modellstamm	Leer
Randstatistik	Leer
Eingabeebene	Leer
Eingabeknoten	Name des Eingabeattributs
Verborgene Ebene	Leer
Verborgener Knoten	Leer
Ausgabeebene	Leer
Ausgabeknoten	Name des Ausgabeattributs

NODE_NAME
Der Name des Knotens. Diese Spalte enthält den gleichen Wert wie NODE_UNIQUE_NAME.

NODE_UNIQUE_NAME
Der eindeutige Name des Knotens.

Weitere Informationen darüber, wie die Namen und IDs Strukturinformationen über Modelle bieten, finden Sie unter Verwenden von Knotennamen und IDs.

NODE_TYPE
Ein neuronales Netzwerkmodell gibt die folgenden Knotentypen aus:

Knotentyp-ID	Beschreibung
1	Modell.
17	Planerknoten für das Subnetzwerk.
18	Planerknoten für die Eingabeebene.
19	Planerknoten für die verborgene Ebene.
20	Planerknoten für die Ausgabeebene.
21	Eingabeattributknoten.
22	Knoten der verborgenen Ebene
23	Ausgabeattributknoten.
24	Knoten für Randstatistik.

NODE_CAPTION
Eine Bezeichnung oder Beschriftung, die dem Knoten zugeordnet ist. In neuronalen Netzwerkmodellen immer leer.

CHILDREN_CARDINALITY
Eine Schätzung der Anzahl untergeordneter Elemente des Knotens.

Node	Inhalt
Modellstamm	Gibt die Anzahl der untergeordneten Knoten an; enthält mindestens 1 Netzwerk, 1 erforderlichen Knoten für Randstatistik und 1 erforderliche Eingabeebene. Beispiel: Bei einem Wert von 5 sind 3 Subnetzwerke vorhanden.
Randstatistik	Immer 0.
Eingabeebene	Gibt die Anzahl der Eingabeattribut-Wert-Paare an, die vom Modell verwendet wurden.
Eingabeknoten	Immer 0.
Verborgene Ebene	Gibt die Anzahl der verborgenen Knoten an, die vom Modell erstellt wurden.
Verborgener Knoten	Immer 0.
Ausgabeebene	Gibt die Anzahl der Ausgabewerte an.
Ausgabeknoten	Immer 0.

PARENT_UNIQUE_NAME
Der eindeutige Name des dem Knoten übergeordneten Elements. Für Knoten auf der Stammebene wird NULL zurückgegeben.

Weitere Informationen darüber, wie die Namen und IDs Strukturinformationen über Modelle bieten, finden Sie unter Verwenden von Knotennamen und IDs.

NODE_DESCRIPTION
Eine benutzerfreundliche Beschreibung des Knotens.

Node	Inhalt
Modellstamm	Leer
Randstatistik	Leer
Eingabeebene	Leer
Eingabeknoten	Name des Eingabeattributs
Verborgene Ebene	Leer
Verborgener Knoten	Ganze Zahl, die die Sequenz des verborgenen Knotens in der Liste verborgener Knoten angibt.
Ausgabeebene	Leer
Ausgabeknoten	Enthält den Namen des Ausgabeattributs, wenn das Ausgabeattribut kontinuierlich ist. Enthält den Namen des Attributs und den Wert, wenn das Ausgabeattribut diskret oder diskretisiert ist.

NODE_RULE
Eine XML-Beschreibung der Regel, die in den Knoten eingebettet ist.

Node	Inhalt
Modellstamm	Leer
Randstatistik	Leer
Eingabeebene	Leer
Eingabeknoten	Ein XML-Fragment, das die gleichen Informationen wie die Spalte NODE_DESCRIPTION enthält.
Verborgene Ebene	Leer
Verborgener Knoten	Ganze Zahl, die die Sequenz des verborgenen Knotens in der Liste verborgener Knoten angibt.
Ausgabeebene	Leer
Ausgabeknoten	Ein XML-Fragment, das die gleichen Informationen wie die Spalte NODE_DESCRIPTION enthält.

MARGINAL_RULE
Für neuronale Netzwerkmodelle immer leer.

NODE_PROBABILITY
Die diesem Knoten zugeordnete Wahrscheinlichkeit. Für neuronale Netzwerkmodelle immer 0.

MARGINAL_PROBABILITY
Die Wahrscheinlichkeit für das Erreichen des Knotens vom übergeordneten Knoten aus. Für neuronale Netzwerkmodelle immer 0.

NODE_DISTRIBUTION
Eine geschachtelte Tabelle, die statistische Informationen für den Knoten enthält. Detaillierte Informationen über die Inhalte dieser Tabelle für jeden Knotentyp finden Sie im Abschnitt Grundlegendes zur NODE_DISTRIBUTION-Tabelle.

NODE_SUPPORT
Für neuronale Netzwerkmodelle immer 0.

Hinweis

Unterstützungswahrscheinlichkeiten sind immer 0, da die Ausgabe dieses Modellstyps nicht probabilistisch ist. Nur die Gewichtungen sind für den Algorithmus von Bedeutung. Daher erfolgt keine Verarbeitung von Wahrscheinlichkeit, Unterstützung oder Varianz durch den Algorithmus.

Informationen über die Unterstützung in Trainingsfällen für spezifische Werte finden Sie über den Knoten für Randstatistik.

MSOLAP_MODEL_COLUMN

Node	Inhalt
Modellstamm	Leer
Randstatistik	Leer
Eingabeebene	Leer
Eingabeknoten	Name des Eingabeattributs.
Verborgene Ebene	Leer
Verborgener Knoten	Leer
Ausgabeebene	Leer
Ausgabeknoten	Name des Eingabeattributs.

MSOLAP_NODE_SCORE
Für ein neuronales Netzwerkmodell immer 0.

MSOLAP_NODE_SHORT_CAPTION
Für neuronale Netzwerkmodelle immer leer.

Hinweise

Zweck des Trainings eines neuronalen Netzwerkmodells ist die Bestimmung der Gewichtungen, die jedem Übergang von einer Eingabe zu einem Mittelpunkt und von einem Mittelpunkt zu einem Endpunkt zugeordnet sind. Daher existiert die Eingabeebene des Modells prinzipiell, um die Istwerte zu speichern, die verwendet wurden, um das Modell zu erstellen. Die verborgene Ebene speichert die Gewichtungen, die berechnet wurden, und stellt Zeiger bereit, die auf die Eingabeattribute zurückverweisen. Die Ausgabeebene speichert die vorhersagbaren Werte und stellt Zeiger bereit, die auf die Mittelpunkte in der verborgenen Eben zurückverweisen.

Verwenden von Knotennamen und IDs

Die Benennung der Knoten in einem neuronalen Netzwerkmodell bietet zusätzliche Informationen über den Knotentyp, um die Beziehung zwischen der verborgenen Ebene und der Eingabeebene und zwischen der Ausgabeebene und der verborgenen Ebene leichter bestimmen zu können. In der folgenden Tabelle wird die Konvention für die IDs dargestellt, die den Knoten in jeder Ebene zugewiesen wird.

Knotentyp	Konvention für Knoten-ID
Modellstamm (1)	00000000000000000.
Knoten für Randstatistik (24)	10000000000000000
Eingabeebene (18)	30000000000000000
Eingabeknoten (21)	Beginnt bei 60000000000000000
Subnetzwerk (17)	20000000000000000
Verborgene Ebene (19)	40000000000000000
Verborgener Knoten (22)	Beginnt bei 70000000000000000
Ausgabeebene (20)	50000000000000000
Ausgabeknoten (23)	Beginnt bei 80000000000000000

Sie können bestimmen, welche Eingabeattribute mit einem spezifischen Knoten der verborgenen Ebene in Beziehung stehen, indem Sie die Tabelle NODE_DISTRIBUTION im verborgenen Knoten (NODE_TYPE = 22) einsehen. Jede Zeile der Tabelle NODE_DISTRIBUTION enthält die ID eines Eingabeattributknotens.

Auf ähnliche Weise können Sie bestimmen, welche verborgenen Ebenen mit einem Ausgabeattribut in Beziehung stehen, indem Sie die Tabelle NODE_DISTRIBUTION im Ausgabeknoten (NODE_TYPE = 23) einsehen. Jede Zeile der Tabelle NODE_DISTRIBUTION enthält die ID eines Knotens der verborgenen Ebene mit dem verknüpften Koeffizienten.

Interpretieren der Informationen in der NODE_DISTRIBUTION-Tabelle

Die NODE_DISTRIBUTION-Tabelle kann in einigen Knoten leer sein. Allerdings speichert die NODE_DISTRIBUTION-Tabelle für Eingabeknoten, Knoten der verborgenen Ebene und Ausgabeknoten wichtige und interessante Informationen über das Modell. Um Sie bei der Interpretation dieser Informationen zu unterstützen, enthält die NODE_DISTRIBUTION-Tabelle eine Spalte VALUETYPE für jede Zeile, die darüber Aufschluss gibt, ob der Wert in der Spalte ATTRIBUTE_VALUE diskret (4), diskretisiert (5) oder kontinuierlich (3) ist.

Eingabeknoten

Die Eingabeebene enthält einen Knoten für jeden im Modell verwendeten Wert des Attributs.

Diskretes Attribut : Der Eingabeknoten speichert nur den Namen des Attributs und dessen Wert in den Spalten ATTRIBUTE_NAME und ATTRIBUTE_VALUE. Ist zum Beispiel [Work Shift] die Spalte, wird ein separater Knoten für jeden im Modell verwendeten Wert der Spalte erstellt, zum Beispiel AM und PM. Die NODE_DISTRIBUTION-Tabelle für jeden Knoten listet nur den aktuellen Wert des Attributs auf.

Diskretisiertes numerisches Attribut: Der Eingabeknoten speichert den Namen des Attributs und den Wert, bei dem es sich um einen Bereich oder einen spezifischen Wert handeln kann. Alle Werte werden durch Ausdrücke wie "77.4 - 87.4" oder " < 64.0" für den Wert von [Time Per Issue] dargestellt. Die NODE_DISTRIBUTION-Tabelle für jeden Knoten listet nur den aktuellen Wert des Attributs auf.

Kontinuierliches Attribut: Der Eingabeknoten speichert den Mittelwert des Attributs. Die NODE_DISTRIBUTION-Tabelle für jeden Knoten listet nur den aktuellen Wert des Attributs auf.

Knoten der verborgenen Ebene

Die verborgene Ebene enthält eine variable Anzahl von Knoten. In jedem Knoten enthält die NODE_DISTRIBUTION-Tabelle Zuordnungen von der verborgenen Ebene zu den Knoten in der Eingabeeben. Die Spalte ATTRIBUTE_NAME enthält eine Knoten-ID, die einem Knoten in der Eingabeebene entspricht. Die Spalte ATTRIBUTE_VALUE enthält die Gewichtung, die dieser Kombination aus Eingabeknoten und Knoten verborgener Ebene zugewiesen ist. Die letzte Zeile in der Tabelle enthält einen Koeffizienten, der die Gewichtung dieses verborgenen Knotens in der verborgenen Ebene darstellt.

Ausgabeknoten

Die Ausgabeebene enthält einen Ausgabeknoten für jeden im Modell verwendeten Ausgabewert. In jedem Knoten enthält die NODE_DISTRIBUTION-Tabelle Zuordnungen von der Ausgabeebene zu den Knoten in der verborgenen Ebene. Die Spalte ATTRIBUTE_NAME enthält eine Knoten-ID, die einem Knoten in der verborgenen Ebene entspricht. Die Spalte ATTRIBUTE_VALUE enthält die Gewichtung, die dieser Kombination aus Ausgabeknoten und Knoten verborgener Ebene zugewiesen ist.

Die NODE_DISTRIBUTION-Tabelle weist die folgenden weiteren Informationen auf, abhängig vom Typ des Attributs:

Diskretes Attribut : Die letzten beiden Zeilen der NODE_DISTRIBUTION-Tabelle enthalten einen Koeffizienten für den Knoten als ganzes und den aktuellen Wert des Attributs.

Diskretisiertes numerisches Attribut: Wie bei den diskreten Attributen, ausgenommen, dass es sich beim Wert des Attributs um einen Wertebereich handelt.

Kontinuierliches Attribut : Die letzten beiden Zeilen der NODE_DISTRIBUTION-Tabelle enthalten den Mittelwert des Attributs, den Koeffizienten für den Knoten als ganzes und die Varianz des Koeffizienten.

Weitere Informationen

Microsoft Neural Network Algorithm
Technische Referenz für den Microsoft Neural Network-Algorithmus
Neuronale Beispiele für Netzwerkmodellabfragen