Badanie modeli wyszukiwania danych (Analysis Services - wyszukiwania danych)
Po posiadanie przeszkolonego danych model wyszukiwania, można eksplorować modelu przy użyciu niestandardowej przeglądarki w SQL Server Management Studio lub Business Intelligence Development Studio.Jednak jeśli chcesz wprowadzić prognoz lub uzyskać zaawansowane lub bardziej szczegółowe informacje z modelu, należy utworzyć zapytanie dane model wyszukiwania.Kwerendy pomocy lepiej zrozumieć i pracować z informacjami w modelu w następujący sposób:
Tworzenie pojedynczej i prognozowanie partia.
Dowiedzieć się więcej na temat wzorce znalezione przez model.
Wyświetlanie szczegółów lub przypadków szkolenia dla określonego wzorca lub podzbiór modelu.
Wiercenia za pośrednictwem szczegóły przypadków w model wyszukiwania.
Wyodrębnianie formuł, reguły, lub informacje statystyczne dotyczące wszystkich lub podzbiór modelu i danych.
SQL Server Usługi Analysis Services provides a graphical design interface for creating queries, and also a query language called Data Mining Extensions (DMX) that is useful for creating custom predictions and complex queries.Do tworzenia zapytań przewidywanie DMX, można uruchomić z konstruktorów kwerendy, które są dostępne zarówno w SQL Server Management Studio i Business Intelligence Development Studio.A zestaw DMX kwerendy szablony także jest dostępna w SQL Server Management Studio.
Aby uzyskać więcej informacji na temat używania Konstruktora kwerend, zobacz Za pomocą Konstruktora kwerend przewidywania do tworzenia kwerend przewidywania DMX.
Aby uzyskać więcej informacji na temat używania szablonów kwerendy DMX, zobacz Tworzenie kwerend DMX w programie SQL Server Management Studio lub Jak Używanie szablonów w programie SQL Server Management Studio.
W tej sekcji opisano typy kwerend, które można tworzyć i informacje, które zawiera każdy typ kwerendy.Sekcja ta zawiera również przykłady kwerend dla określonych typów modeli wyszukiwanie danych.
Przewidywania kwerend
Singleton przewidywania kwerend
Wsadowe przewidywania kwerend
Czas serii prognoz
Kwerendy zawartości
Kwerendy definicji danych
Przewidywania kwerend
Głównym celem wielu wyszukiwanie danych projektów jest za pomocą górnictwo modele prognoz.Na przykład, można przewidzieć jak wiele produktów firmy zostaną sprzedane w następnym roku w grudniu, lub czy potencjalny klient zostanie zakupu produktu w odpowiedzi kampanii reklamowej.
Podczas tworzenia przewidywanie zazwyczaj dostarcza nowych danych i poproś modelu, aby wygenerować przewidywanie na podstawie nowych danych.Można tworzyć prognoz w partia, mapując zewnętrznego źródło danych w modelu łączyć przewidywanie.Alternatywnie można podać wartości jeden w czas, tworząc singleton kwerendy.
Zarówno singleton i partia przewidywanie kwerendy należy użyć składni JOIN przewidywanie zdefiniować nowe dane: różnica jest jak określono strony wejściowej łączyć przewidywanie.W kwerendzie singleton danych jest wbudowany podane jako część kwerendy.W kwerendzie partia dane pochodzą z danych zewnętrznych źródło określona za pomocą składni OTWÓRZKWERENDĘ.Aby uzyskać więcej informacji, zobacz OTWÓRZKWERENDĘ (DMX).
Ponadto czas modeli serii umożliwiają prognoz na podstawie tylko modelu — nie trzeba dostarczyć wszelkich nowych danych, ale tylko żądania prognoz na podstawie istniejących serii.
Następująca sekcja zawiera informacje dotyczące tworzenia każdego z tych typów kwerend:
Typ kwerendy |
Opcje kwerend |
|---|---|
Singleton przewidywania kwerendy |
Sprawdź przewidywanie dotyczące przypadek nowych lub wielu nowych przypadków wpisywanych w kwerendzie. |
Przewidywania partii |
Mapować nowych spraw z zewnętrznego źródło danych do modelu i tworzenie prognoz. |
Czas serii prognoz |
Przewidywanie określonej liczbie kroków przyszłych, na podstawie istniejącego modelu. Rozszerzyć istniejącego modelu przez dodanie nowych danych i dokonaj prognoz na podstawie złożonych serii. Zastosowanie istniejącego modelu do nowej serii danych przy użyciu opcji REPLACE_MODEL_CASES. |
Oprócz przewidywaniu określonej wartości, takie jak wielkość sprzedaży następny miesiąc lub produktu zalecić klientowi, można dostosować przewidywanie kwerendy zwracają różne rodzaje informacji, które są związane z przewidywaniem.Na przykład może być wiedzieć, prawdopodobieństwo, że przewidywanie jest poprawne, dzięki czemu można zdecydować, czy zalecenia użytkownik widzi lub nie.
Aby dostosować informacji zwracanych przez kwerendę przewidywanie, dodać Funkcje przewidywanie do kwerendy.Każdy typ modelu lub kwerendy obsługuje określonych funkcji.Na przykład klastrowanie modele obsługują funkcje przewidywanie specjalne, które dostarczają dodatkowych szczegółów dotyczących grupy utworzone przez model.Czas modeli serii obsługuje funkcje przewidywanie, które obliczają różnice w czasie.Istnieją również funkcje przewidywanie ogólne, które działają z niemal wszystkich typów modelu.Listę funkcje przewidywanie obsługiwane przez różne typy kwerend, zobacz Mapowanie funkcji kwerendy typów (DMX).Aby uzyskać pełną listę funkcje przewidywanie, zobacz Odwołanie do funkcji rozszerzenia górnictwa (DMX) danych.
Powrót do początku
Singleton kwerend
Kwerenda singleton jest przydatne, gdy chcesz utworzyć prosty prognoz w rzeczywistym czas.Na przykład może uzyskać informacji od nabywcy przy użyciu witryna sieci Web i następnie zwracają prognoz przedstawione jako zalecenia dotyczące klienta za pomocą danych.Może analizować zawartość wiadomości e-mail, a następnie użyć istniejącego modelu klasyfikacji, aby przypisać kategorię do wiadomości e-mail i trasa wiadomości odpowiednio.
Singleton kwerendy nie wymaga osobnej tabela zawierającej dane wejściowe.Zamiast tego przebiegu pojedynczego wiersza danych do modelu i przewidywanie pojedynczego jest zwracany w rzeczywistym czas.Można także rozszerzyć singleton kwerendy wielu prognoz wpisać instrukcję SELECT, która zawiera jedną obudową, Dodawanie operator UNION, a następnie wpisując inną instrukcja SELECT, aby określić innego przypadek.
Singleton kwerend istniejącego modelu można utworzyć następującymi sposobami:
Przy użyciu projektanta wyszukiwania danych.
Za pomocą szablonu singleton kwerendy.
Tworzenie instrukcja DMX programowo lub w innym Usługi Analysis Services klient.
Podczas tworzenia kwerendy singleton, należy podać nowe dane do modelu w postaci PRZEWIDYWANIA PRZYŁĄCZYĆ.Oznacza to, że nawet jeśli nie mapowania tabela rzeczywistą, należy się upewnić nowych danych zgodny z istniejących kolumn w model wyszukiwania.Jeśli nowe kolumny danych i nowych danych odpowiada dokładnie, Usługi Analysis Services będzie mapować kolumn można.Jest to Naturalnym PRZYŁĄCZYĆ PRZEWIDYWANIA.Jednak jeśli kolumny nie pasują lub nowych danych nie zawiera tego samego rodzaju i ilości danych w modelu, należy określić, które kolumny w mapie modelu do nowych danych, lub określić brakujące wartości.
Informacje o tworzeniu kwerendy singleton w projektancie wyszukiwania danych Zobacz Jak Tworzenie kwerendy Singleton w projektancie wyszukiwania danych i Za pomocą Konstruktora kwerend przewidywania do tworzenia kwerend przewidywania DMX.
Informacje przy użyciu DMX, aby utworzyć kwerendę singleton, zobacz Przewidywania kwerendy (DMX).
Na przykład użycia szablonów DMX kwerendy w SQL Server Management Studio, zobacz Jak Tworzenie kwerendy przewidywania Singleton z szablonu.
Powrót do początku
Wsadowe przewidywania kwerend
Podczas wykonywania łączyć przewidywanie mapowania modelu nowego źródło danych i Usługi Analysis Services następnie tworzy prognoz dla każdego wiersza w nowe dane oparte na wzorce w modelu.łączyć przewidywanie jest przydatne, gdy posiadania dużej ilości informacji w tabela lub innego zewnętrznego źródło danych i chcesz dokonać przy użyciu modelu przeszkolony prognoz.
przewidywanie kwerend istniejącego modelu można utworzyć partia w następujący sposób:
Przy użyciu projektanta wyszukiwania danych.
Za pomocą szablonu.
Tworzenie instrukcja DMX programowo lub w innym Usługi Analysis Services klient.
Po utworzeniu kwerendy przewidywanie partia przy użyciu projektanta wyszukiwania danych z zewnętrznym źródłem danych, najpierw musi być zdefiniowany jako widok źródło danych.
Jeśli używasz DMX do utworzenia łączyć przewidywanie można określić zewnętrznego źródło danych przy użyciu polecenia OTWÓRZKWERENDĘ, OPENROWSET lub kształt.Metoda dostępu danych domyślnych w szablonach DMX jest OTWÓRZKWERENDĘ.Aby uzyskać informacje dotyczące tych metod, zobacz <źródło danych kwerendy>.
Niezależnie od sposobu zdefiniowania danych zewnętrznych źródło danych, które można określić musi zawierać kolumny z danymi, które przypomina danych w modelu.Jednakże nowe informacje mogą być niekompletne.Na przykład lista klientów może mieć kolumna wieku, ale żadnych informacji dotyczących dochodu.Nawet jeśli dane dochód został użyty podczas szkolenia modelu, można nadal mapować nowych danych do modelu i utworzyć przewidywanie; Jednak w niektórych przypadkach brak kompletnych informacji może wpłynąć na jakość prognoz.
Aby uzyskać najlepsze wyniki, należy łączyć jako wiele pasujących kolumn między nowych danych i model.Jednak kwerenda zostanie wykonana pomyślnie, nawet jeśli nie mają odpowiedników.Jeśli kolumny nie są sprzężone, kwerenda będzie zwracać marginalny przewidywanie, co jest równoważne do instrukcja SELECT <predictable-column> FROM <model> bez klauzula JOIN przewidywanie.
Praca z wyników kwerendy przewidywania
Kwerenda przewidywanie nie przypomina kwerendzie relacyjnej bazy danych.Każda funkcja przewidywanie dodawane do kwerendy zwraca własnego zestawu zestaw wierszy.Dlatego gdy na jednym przypadek przewidywanie, wynik może być prognozowanej wartości wraz z kilku kolumn zagnieżdżonych tabel zawierających dodatkowe szczegóły.
W każdym przypadku, gdy łączenie wielu funkcji w jednej kwerendzie, zwrotu wyniki są łączone hierarchiczną zestawu zestaw wierszy.Jednakże jeśli dostawca nie może obsłużyć hierarchicznych zestawów wierszy, można spłaszczyć wyniki przy użyciu słowa kluczowego FLATTEN w kwerendzie przewidywanie.
Aby uzyskać więcej informacji, łącznie z przykładami spłaszczonych zestawów wierszy, zobacz WYBIERZ (DMX).
Prognoz w modelach serii górnictwo czasu
Czas modeli serii zapewnia większą elastyczność w sposób użyć nowych danych i tworzenie prognoz.Można użyć modelu postaci, w jakiej jest tworzenie prognoz lub można podać nowe dane do modelu aktualizacji prognoz na podstawie najnowszych trendów.Jeśli dodajesz nowe dane, można określić sposób nowe dane powinny służyć rozszerzyć przypadkach modelu lub zastąpić przypadkach modelu.
Podczas rozszerzania przypadkach modelu Dodawanie nowych danych fakt czas model serii i dalsze przewidywań są oparte na serię nowych, łączonych.Zastąpić przypadkach modelu, zachować przeszkolony modelu, ale podstawowej przypadkach należy zastąpić nowy zestaw danych dotyczących przypadek.
Niezależnie od podejście, którego używasz punkt wyjścia dla prognoz jest zawsze koniec oryginalnej serii.
Załóżmy, że masz istniejącą czas model serii ma przeszkoleni na danych sprzedaży z poprzedniego roku.Po zebraniu kilka miesięcy nowe dane sprzedaży, zdecydujesz aktualizowanie prognoz sprzedaży dla bieżącego roku.Można utworzyć łączyć przewidywanie aktualizacji modelu przez dodanie nowych danych i rozszerza model, aby wprowadzić nowy prognoz.
Alternatywnie można budowania modelu na podstawie istniejących danych, a następnie utwórz łączyć przewidywanie, który zastępuje przypadek danych nowymi danymi.Jest to przydatne, jeśli na przykład jednego magazynu brakuje dużej ilości danych i chcesz za pomocą modelu zbudowany na inne dane magazynu prognoz.Aby uzyskać więcej informacji dotyczących sposobu tworzenia sprzężeń przewidywanie na czas modeli serii Zobacz kwerendy czas modeli serii lub PredictTimeSeries (DMX).
Powrót do początku
Kwerendy zawartości
Kwerenda zawartości jest sposób wyodrębniania informacji wewnętrznych statystyk i struktury model wyszukiwania.Czasami kwerendy zawartości można podać szczegóły, które nie są łatwo dostępne w przeglądarce.Wyniki kwerendy zawartości można również wyodrębnić informacje programistyczne dla innych zastosowań.Na przykład można wyodrębnić formuł lub prawdopodobieństwa dokonywania własnych obliczeń lub pobrać zaskarżeniu informacji o przypadkach, w modelu.
Ta sekcja zawiera ogólne informacje o typach informacji, które można pobrać za pomocą kwerendy zawartości.Kwerendy zawartości należy użyć składni DMX, pokazane w poniższej tabela:
Typ kwerendy |
Opcje kwerend |
|---|---|
Wybierz z <model>.PRZYPADKI |
Znajdowanie sprawy, które były używane do szkolić lub testowania modelu.Drążenie wskroś do danych, włącznie z kolumnami w podstawowej struktura wyszukiwania. |
Wybierz z <struktury>.PRZYPADKI |
Wyświetlić wszystkie dane, które są uwzględnione w strukturze, łącznie z kolumn, które nie znajdują się w szczególności model wyszukiwania. |
Wybierz z <model>.ZAWARTOŚĆ |
Pobrać szczegółowe informacje na temat określonych węzłów w modelu tym reguł i formuł, wsparcia i odchylenie statystyki itd. |
Wybierz z <model>.DIMENSIONCONTENT |
Obsługuje kwerendy na wymiar wyszukiwanie danych. Ten typ kwerendy jest głównie do użytku wewnętrznego.Jeśli projektujesz własny algorytm dodatek może użyć tej składni do testowania do modeli. Nie wszystkie algorytmy obsługuje tę funkcję.Obsługa wskazuje flagi w zestawie zestaw wierszy schematu MINING_SERVICES. |
Zawartość niektórych modelu to standard przez algorytmy.Ogólnie zawartość każdego modelu zależy jednak algorytm używany do tworzenia modelu.Dlatego podczas tworzenia kwerendy zawartości, należy zrozumieć typy informacji w modelu są najbardziej przydatne.
Na przykład, jeśli tworzona jest kwerenda, używa składni, SELECT FROM <model>.CONTENT, kwerenda zwraca bardzo różnych informacji w zależności czy model jest sekwencja klastrowanie modelu model drzewa decyzji, czy czas model serii.Skojarzenia modelu, należy pobrać opisów określonych reguł, aby mogli używać reguł w niestandardowej aplikacji należy w czas serii lub sekwencji klastrowanie modelu można znaleźć więcej informacji o czas wzorców wykryty przez model.
Niektóre przykłady są podane w następnych sekcjach, aby zilustrować szerokość i głębokość informacje, które można pobrać z kwerendy zawartości; Jednakże w przypadku informacji o model wyszukiwania zawartości i zawartości, specyficzną dla każdego typu modelu, zobacz Górnictwo modelu zawartości (Analysis Services - wyszukiwania danych).
Przykład 1: Kwerendy zawartości na modelu skojarzeń
Można wybrać z <model>.Instrukcja zawartości różnych rodzajów zawartości, zależnie od typu modelu jest kwerenda zwraca.Skojarzenia modelu węzły, które reprezentują reguły mają wartość NODE_TYPE 8, itemsets mają wartość NODE_TYPE, 7.Dlatego poniższa kwerenda zwróci itemsets 10 najlepszych, uporządkowane według pomocy technicznej (domyślna kolejność).
SELECT TOP 10 NODE_DESCRIPTION, NODE_PROBABILITY, SUPPORT
FROM <model>.CONTENT WHERE NODE_TYPE = 7
Poniższy przykład zwraca trzy kolumny: Identyfikator węzła, reguła pełną i produktu po prawej stronie itemset — oznacza to, że produkt jest przewidywane mają być skojarzone z innymi produktami, jako część itemset.
Słowo kluczowe FLATTENED wskazuje, że zestaw wierszy zagnieżdżonych, powinny być przeliczane na płaskiej tabela.Atrybut, który reprezentuje produkt po prawej stronie reguły zawarte w tabela NODE_DISTRIBUTION; Dlatego firma Microsoft pobrać wiersz zawierający nazwę atrybut, dodając wymóg, że długość jest większa niż 2.Prosty ciąg funkcja jest używana, aby usunąć nazwę modelu z trzeciej kolumna.Zwykle nazwa modelu jest zawsze poprzedzona wartości kolumn zagnieżdżonych.Klauzula WHERE określa, że wartość NODE_TYPE powinna być 8, aby pobrać tylko reguły.
SELECT FLATTENED NODE_UNIQUE_NAME , NODE_DESCRIPTION,
(SELECT RIGHT(ATTRIBUTE_NAME, (LEN(ATTRIBUTE_NAME)-LEN('Association model name')))
FROM NODE_DISTRIBUTION
WHERE LEN(ATTRIBUTE_NAME)>2
)
AS RightSideProduct
FROM [<Association model name>].CONTENT
WHERE NODE_TYPE = 8
ORDER BY NODE_SUPPORT DESC
Więcej przykładów, zobacz Badanie modelu skojarzeń (Analysis Services - wyszukiwania danych).
Przykład 2: Kwerendy zawartości na modelu drzewa decyzji
Jeden scenariusz, gdzie badanie modelu zawartości jest cennym jest do kwerendy przewidywanie przez regułę, która wyjaśnia, dlaczego został przewidywane tego Państwa.Na przykład można dodać funkcja przewidywanie PredictNodeId (DMX) do kwerendy, aby uzyskać identyfikator węzła, który zawiera regułę, według następującej składni:
SELECT Predict([Bike Buyer]), PredictNodeID([Bike Buyer])
FROM [<decision tree model name>]
PREDICTION JOIN
<input rowset>
Dla modelu drzewo decyzyjne podpis zawiera opis ścieżka do wyniku.Dlatego po uzyskaniu Identyfikatora węzeł zawierający wynik można pobrać reguły lub ścieżka, która wyjaśnia przewidywanie przez utworzenie kwerendy zawartości, takich jak:
SELECT NODE_CAPTION
FROM [<decision tree model name>]
WHERE NODE_UNIQUE_NAME= '<node id>'
Więcej przykładów, zobacz Badanie modelu drzewa decyzji (Analysis Services - wyszukiwania danych).
Powrót do początku
Kwerendy definicji danych
Usługi Analysis Services oferuje szereg instrukcje definicja danych do tworzenia i zarządzania struktura wyszukiwania i modeli.Aby uzyskać więcej informacji, zobacz Zarządzanie struktur wyszukiwania danych i modeli.