model wyszukiwania Zawartości dla neuronowe modele sieci (Analysis Services — wyszukiwanie danych)
W tym temacie opisano model wyszukiwania zawartości, która jest specyficzna dla modeli używających algorytm neuronowe sieci firmy Microsoft.Wyjaśnienie, jak interpretować dane statystyczne i struktury wspólne dla wszystkich typów modeli i ogólne definicje pojęć związanych z model wyszukiwania zawartości, zobacz temat Mining Model Content (Analysis Services - Data Mining).
Opis struktury modelu neuronowe sieci
Każdy model neuronowe sieci ma węzeł jednego nadrzędnego, który reprezentuje modelu i jego metadane i węzeł marginalna statystyk (NODE_TYPE = 24), która zapewnia opisowy statystyki dotyczące wprowadzania atrybutów.Węzeł marginalna statystyki jest przydatne, ponieważ go zawiera podsumowanie informacji o produkcji, dzięki czemu nie trzeba danych kwerendy z pojedynczych węzłów.
Pod te dwa węzły są przynajmniej dwa więcej węzłów i może być wiele, zależności liczby atrybutów przewidywalne ma modelu.
Pierwszy węzeł (NODE_TYPE = 18) zawsze reprezentuje węzeł najwyższego poziomu wejściowego warstwy.Pod tym węzeł najwyższego poziomu można znaleźć węzłów wejściowych (NODE_TYPE = 21) zawierają rzeczywiste atrybuty wejściowych i ich wartości.
Kolejne węzły zawierają inne podsieć (NODE_TYPE = 17).Każda podsieć zawsze zawiera ukrytej warstwie (NODE_TYPE = 19) i warstwę danych wyjściowych (NODE_TYPE = 20) dla tej podsieci.
.gif "structure of model content for neural networks")
Informacje wejściowe warstwie jest prosta: Węzeł najwyższego poziomu dla każdej warstwy wejściowy (NODE_TYPE = 18) służy jako organizatora na zestaw węzłów wejściowych (NODE_TYPE = 21). W poniższej tabela opisano zawartość węzłów wejściowych.
Każda podsieć (NODE_TYPE = 17) reprezentuje analizy wpływu wejściowy warstwy na określony atrybut przewidywalne.Jeśli istnieje wiele wyjść przewidywalny, istnieje kilka podsieci.Ukrytej warstwie, dla każdej podsieci zawiera wiele węzłów ukryte (NODE_TYPE = 22) zawierają szczegółowe informacje na temat wag dla każdego przejścia, który kończy się w tym określonym węźle ukryte.
Warstwa danych wyjściowych (NODE_TYPE = 20) zawiera węzły danych wyjściowych (NODE_TYPE = 23) czy każda zawiera różne wartości atrybut przewidywalne.Jeśli atrybut przewidywalne ma typ danych numerycznych ciągłe, istnieje tylko jeden węzeł danych wyjściowych dla atrybutu.
Uwaga
Szczególny przypadek neuronowe sieci, w której tylko jedna przewidywalne wyniki i potencjalnie wiele wejść korzysta z algorytmu logistyczne regresja.Logistyczne regresja nie używa ukrytej warstwie.
Najprostszym sposobem Eksploruj struktury danych wejściowych i podsieci jest użycie Przeglądarka Microsoft rodzajowy drzewa zawartości.Kliknij dowolny węzeł, aby go rozwinąć i zobaczyć węzły podrzędność lub wyświetlić wag i inne statystyki zawarte w węźle.
Aby pracować z danymi i zobacz, jaki model całkowicie z wyjść skorelowany danych wejściowych, należy użyć Microsoft neuronowe podglądu sieci.Przy użyciu tej przeglądarki niestandardowej, filtrowanie według danych wejściowych atrybutów i ich wartości i graficznie Zobacz ich wpływ na wyjść.Etykietki narzędzi w przeglądarce wyświetlić prawdopodobieństwa i dźwigu skojarzone z każdą parą danych wejściowych i wyjściowych wartości.Aby uzyskać więcej informacji zobaczWyświetlanie model wyszukiwania z programem Microsoft neuronowe podglądu sieci.
Model zawartości neuronowe modelu sieci
W tej części podano szczegółowe i przykłady tylko dla tych kolumn w modelu zawartości wyszukiwania, które mają szczególne znaczenie dla neuronowe sieci.Aby uzyskać informacje dotyczące ogólnego przeznaczenia kolumny schematu zestaw wierszy, takie jak MODEL_CATALOG i MODEL_NAME, nie opisano w tym miejscu, lub objaśnienia model wyszukiwania terminologii zobacz Mining Model Content (Analysis Services - Data Mining).
MODEL_CATALOG
Nazwa bazy danych, w której przechowywane są w modelu.NAZWA_MODELU
Nazwa modelu.ATTRIBUTE_NAME
Nazwy atrybutów, które odpowiadają tym węźle.Węzeł
Zawartość
Model główny
Wartość pusta
Marginalna statystyk
Wartość pusta
Warstwa danych wejściowych
Wartość pusta
Węzeł wejściowe
Nazwa atrybut wejściowe
Ukrytej warstwie
Wartość pusta
Węzeł ukrytych
Wartość pusta
Warstwa danych wyjściowych
Wartość pusta
Węzeł danych wyjściowych
Nazwa atrybut danych wyjściowych
NAZWA_WĘZŁA
Nazwa węzła.Kolumna ta zawiera taką samą wartość jak NODE_UNIQUE_NAME.NODE_UNIQUE_NAME
Unikatowa nazwa węzła.Aby uzyskać więcej informacji na temat jak nazw i identyfikatorów dostarcza strukturalnych informacji o modelu zobacz sekcję Za pomocą nazwy węzłów i identyfikatory.
NODE_TYPE
Model sieci neuronowe wyświetla następujące typy węzłów:ID typu węzła
Description
1
Model.
17
Węzeł organizatora podsieci.
18
Organizator węzła dla danych wejściowych warstwy.
19
Węzeł organizatora w ukrytej warstwie.
20
Organizator węzła dla warstwy danych wyjściowych.
21
Węzeł atrybut wejściowego.
22
Węzeł ukrytej warstwie
23
Węzeł atrybut danych wyjściowych.
24
Węzeł marginalna statystyki.
NODE_CAPTION
Etykietę lub podpis skojarzonego z węzłem.W modelach neuronowe sieci zawsze puste.CHILDREN_CARDINALITY
Oszacowanie liczby dzieci, który węzeł ma.Węzeł
Zawartość
Model główny
Wskazuje liczbę węzłów podrzędność, która zawiera co najmniej 1 sieci 1 wymaganego węzła marginalna i 1 warstwy wejściowe wymagane.Na przykład jeśli wartość wynosi 5, istnieją podsieci 3.
Marginalna statystyk
Zawsze 0.
Warstwa danych wejściowych
Wskazuje liczbę par wprowadzania wartości atrybut, które były używane przez model.
Węzeł wejściowe
Zawsze 0.
Ukrytej warstwie
Wskazuje liczbę ukrytych węzły, które zostały utworzone przez model.
Węzeł ukrytych
Zawsze 0.
Warstwa danych wyjściowych
Wskazuje liczbę wartości danych wyjściowych.
Węzeł danych wyjściowych
Zawsze 0.
PARENT_UNIQUE_NAME
Unikatowa nazwa węzła nadrzędnego.Dla wszystkich węzłów poziom katalogu głównego, zwracana jest wartość NULL.Aby uzyskać więcej informacji na temat jak nazw i identyfikatorów dostarcza strukturalnych informacji o modelu zobacz sekcję Za pomocą nazwy węzłów i identyfikatory.
NODE_DESCRIPTION
Przyjazny dla użytkownika opis węzła.Węzeł
Zawartość
Model główny
Wartość pusta
Marginalna statystyk
Wartość pusta
Warstwa danych wejściowych
Wartość pusta
Węzeł wejściowe
Nazwa atrybut wejściowe
Ukrytej warstwie
Wartość pusta
Węzeł ukrytych
Liczba całkowita, która wskazuje sekwencję ukryte węzła na liście węzłów ukryte.
Warstwa danych wyjściowych
Wartość pusta
Węzeł danych wyjściowych
Jeśli atrybut danych wyjściowych jest ciągła, zawiera nazwę atrybutu danych wyjściowych.
Jeśli atrybut danych wyjściowych jest discrete lub discretized, zawiera nazwę atrybutu i wartości.
NODE_RULE
Opis XML regułę, która jest osadzony w węźle.Węzeł
Zawartość
Model główny
Wartość pusta
Marginalna statystyk
Wartość pusta
Warstwa danych wejściowych
Wartość pusta
Węzeł wejściowe
Fragmentu XML zawiera te same informacje, jak kolumna NODE_DESCRIPTION.
Ukrytej warstwie
Wartość pusta
Węzeł ukrytych
Liczba całkowita, która wskazuje sekwencję ukryte węzła na liście węzłów ukryte.
Warstwa danych wyjściowych
Wartość pusta
Węzeł danych wyjściowych
Fragmentu XML zawiera te same informacje, jak kolumna NODE_DESCRIPTION.
MARGINAL_RULE
W przypadku modeli neuronowe sieci zawsze puste.NODE_PROBABILITY
Prawdopodobieństwo związane z tym węźle.W przypadku modeli neuronowe sieci zawsze 0.MARGINAL_PROBABILITY
Prawdopodobieństwo osiągnięcia węzła z węzła nadrzędnego.W przypadku modeli neuronowe sieci zawsze 0.NODE_DISTRIBUTION
Zagnieżdżona tabela zawiera informacje statystyczne dla węzła.Aby uzyskać szczegółowe informacje na temat zawartości tej tabela dla każdego typu węzła zobacz sekcję, Opis w tabela NODE_DISTRIBUTION.NODE_SUPPORT
W przypadku modeli neuronowe sieci zawsze 0.Uwaga
Obsługa prawdopodobieństw są zawsze 0, ponieważ model, dane wyjściowe tego typu nie jest probabilistic.Tylko wag mają znaczenie dla algorytmu, w związku z tym, algorytm nie obliczyć prawdopodobieństwo, pomocy technicznej lub WARIANCJA.
Aby uzyskać informacje na temat pomocy technicznej w przypadku szkoleń dla określonych wartości, zobacz węzeł marginalna statystyki.
MSOLAP_MODEL_COLUMN
Węzeł
Zawartość
Model główny
Wartość pusta
Marginalna statystyk
Wartość pusta
Warstwa danych wejściowych
Wartość pusta
Węzeł wejściowe
Nazwa atrybut wejściowego.
Ukrytej warstwie
Wartość pusta
Węzeł ukrytych
Wartość pusta
Warstwa danych wyjściowych
Wartość pusta
Węzeł danych wyjściowych
Nazwa atrybut wejściowego.
MSOLAP_NODE_SCORE
Dla sieci neuronowe modelu, zawsze 0.MSOLAP_NODE_SHORT_CAPTION
W przypadku modeli neuronowe sieci zawsze puste.
Remarks
Celem szkolenia modelu neuronowe sieci jest określenie wagi, które są skojarzone z każdym przejścia od dane wejściowe do punktu środkowego, a od punktu środkowego do punktu końcowego.W związku z tym wejściowy warstwa modelu głównie istnieje przechowywania rzeczywistych wartości, które były używane do tworzenia modelu.Wagi, które zostały obliczone i zawiera łącza do wprowadzania atrybuty są przechowywane w ukrytej warstwie.Warstwa danych wyjściowych przechowuje wartości przewidywalny i zawiera także łącza do punktów środkowych w ukrytej warstwie.
Za pomocą nazwy węzłów i identyfikatory
Nadawanie nazw węzłów w modelu neuronowe sieci zawiera dodatkowe informacje na temat typu węzła, aby ułatwić dotyczą ukrytej warstwie do wprowadzania warstwy i warstwę dane wyjściowe do ukrytej warstwy.W poniższej tabela przedstawiono Konwencji dla identyfikatorów, które są przypisane do węzłów w każdej warstwie.
Typ węzła |
Konwencja identyfikator węzła |
|---|---|
Model główny (1) |
00000000000000000. |
Marginalna statystyki węzła (24) |
10000000000000000 |
Warstwa danych wejściowych (18) |
30000000000000000 |
Węzeł wejściowy (21) |
Godzinie 60000000000000000 |
Podsieć (17) |
20000000000000000 |
Ukrytej warstwie (19) |
40000000000000000 |
Węzeł ukryte (22) |
Godzinie 70000000000000000 |
Warstwa danych wyjściowych (20) |
50000000000000000 |
Węzeł danych wyjściowych (23) |
Godzinie 80000000000000000 |
Można określić atrybuty wejściowe związane z węzła określonej ukrytej warstwie, wyświetlając tabela NODE_DISTRIBUTION w węźle ukryte (NODE_TYPE = 22).Każdy wiersz tabela NODE_DISTRIBUTION zawiera identyfikator węzła atrybut wejściowy.
W podobny sposób można ustalić, ukryte warstw, które są związane z atrybut danych wyjściowych, wyświetlając tabela NODE_DISTRIBUTION w węźle danych wyjściowych (NODE_TYPE = 23).Każdy wiersz tabela NODE_DISTRIBUTION zawiera identyfikator węzła ukrytej warstwie, wraz z powiązanymi współczynnik.
Interpretacja informacji w tabela NODE_DISTRIBUTION
Tabela NODE_DISTRIBUTION może być pusty w niektórych węzłach.Jednak węzłów wejściowych, węzły ukrytej warstwie i węzłów danych wyjściowych tabela NODE_DISTRIBUTION przechowywane są ważne i interesujących informacji o modelu.Aby uzyskać pomoc dotyczącą zinterpretować te informacje, tabela NODE_DISTRIBUTION zawiera kolumna wartości dla każdego wiersza, który informuje, czy wartość kolumna ATTRIBUTE_VALUE jest dyskretnych [4], Discretized (5) lub ciągłe (3).
Węzły wejściowe
Warstwa wejściowy zawiera węzła dla każdej wartości atrybut, który był używany w modelu.
Atrybut discrete: Wejściowy węzeł przechowuje tylko nazwę atrybut i wartości w kolumnach ATTRIBUTE_NAME i ATTRIBUTE_VALUE.Na przykład jeśli [robocza] znajduje się kolumna, oddzielne węzła jest tworzony dla każdej wartości tej kolumna, która została użyta w modelu, na przykład AM i PM.Tabela NODE_DISTRIBUTION dla każdego węzła wyświetla tylko bieżącą wartość atrybut.
Atrybut numeryczny discretized: Wejściowy węzeł przechowuje nazwę atrybut, a wartość, która może być z zakres lub określoną wartość.Wszystkie wartości są reprezentowane przez wyrażeń, takich jak "77.4 87.4" lub " < 64.0 "dla wartości [czas na emisji]. Tabela NODE_DISTRIBUTION dla każdego węzła wyświetla tylko bieżącą wartość atrybut.
Atrybut ciągłego: Wejściowy węzeł przechowuje średnią wartość atrybut.Tabela NODE_DISTRIBUTION dla każdego węzła wyświetla tylko bieżącą wartość atrybut.
Ukryte węzły warstwy
Ukrytej warstwie zawiera zmienną liczbę węzłów.W każdym węźle tabela NODE_DISTRIBUTION zawiera mapowania z ukrytej warstwie do węzłów w warstwie danych wejściowych.Kolumna ATTRIBUTE_NAME zawiera identyfikator węzła, odpowiadający węzła w warstwie danych wejściowych.kolumna ATTRIBUTE_VALUE zawiera wagę skojarzonych z tej kombinacji węzłów wejściowych i węzeł ukrytej warstwie.Ostatni wiersz tabela zawiera współczynnik reprezentujący wagę danego węzła ukryte w ukrytej warstwie.
Dane wyjściowe węzłów
Warstwa wyników zawiera jeden węzeł danych wyjściowych dla każdej wartości wyjściowych, który został użyty w modelu.W każdym węźle tabela NODE_DISTRIBUTION zawiera mapowania z warstwy dane wyjściowe do węzłów w ukrytej warstwie.Kolumna ATTRIBUTE_NAME zawiera identyfikator węzła, odpowiadający węzeł w ukrytej warstwie.kolumna ATTRIBUTE_VALUE zawiera wagę skojarzonych z tym kombinacji węzeł danych wyjściowych i węzeł ukrytej warstwie.
Tabela NODE_DISTRIBUTION zawiera następujące informacje dodatkowe, w zależności od tego, czy typ atrybut:
Atrybut discrete: Końcowe dwa wiersze w tabela NODE_DISTRIBUTION zawierają współczynnik dla węzła jako całości, a bieżącą wartość atrybut.
Atrybut numeryczny discretized: Taka sama, jak discrete atrybut z tą różnicą, że wartość atrybut jest zakres wartości.
Atrybut ciągłego: Końcowe dwa wiersze w tabela NODE_DISTRIBUTION zawiera średnią atrybut współczynnik dla węzłów jako całości i odchylenie od współczynnika.
See Also