算法参考(Analysis Services - 数据挖掘)

本节提供了一些主题链接,这些主题包含有关特定数据挖掘算法的附加信息。本节还提供可用于每种算法的函数的列表。

有关数据挖掘算法作用的概述,或适合使用特定算法的各种业务场景,请参阅数据挖掘算法(Analysis Services – 数据挖掘)

算法的常规说明

为分析任务选择正确的算法和准备满足分析要求的数据都是数据挖掘过程中的重要步骤。下列主题概述每种算法的作用以及如何为该算法适用的分析任务创建示例,并介绍如何在应用场景中使用模型。每个主题还包含“要求”部分,该部分提供了每种模型类型所需的数据类型的指南。

Microsoft 关联算法

Microsoft 聚类分析算法

Microsoft 决策树算法

Microsoft 线性回归算法

Microsoft 逻辑回归算法

Microsoft Naive Bayes 算法

Microsoft 神经网络算法

Microsoft 顺序分析和聚类分析算法

Microsoft 时序算法

算法技术参考

选择用于创建模型的算法时,可以接受 Analysis Services 提供的默认值,但是在许多情况下,您可能需要自定义创建模型的方式或算法处理数据的方式。下列主题介绍可用于自定义挖掘模型的参数,还提供有关实现每种算法的详细技术信息。

Microsoft 关联算法技术参考

Microsoft 聚类分析算法技术参考

Microsoft 决策树算法技术参考

Microsoft 线性回归算法技术参考

Microsoft 逻辑回归算法技术参考

Microsoft Naive Bayes 算法技术参考

Microsoft 神经网络算法技术参考

Microsoft 顺序分析和聚类分析算法技术参考

Microsoft 时序算法技术参考

生成模型时,可以自定义模型,并通过筛选为模型定型时使用的数据来潜在地影响结果。有关如何在对挖掘模型进行定型和测试时使用筛选器的详细信息,请参阅为挖掘模型创建筛选器(Analysis Services – 数据挖掘)模型准确性图表工具(Analysis Services - 数据挖掘)

查询和预测函数引用

可以使用函数来检索挖掘模型的结果。预测函数可提供在分析中找到的模式和统计信息的详细信息,还可以使用预测函数基于概率或重要性进行预测和筛选预测。

有关所有预测函数的列表,请参阅数据挖掘扩展插件 (DMX) 函数参考

下表列出了 Analysis Services 中可用于创建针对所有算法类型的查询的函数。

将预测函数用于特定模型类型