Microsoft類神經網路演算法

適用於： SQL Server 2019 和舊版 Analysis Services Azure Analysis Services Fabric/Power BI Premium

重要

SQL Server 2017 Analysis Services 中已淘汰數據採礦，現在已在 SQL Server 2022 Analysis Services 中停止。 檔不會更新為已淘汰和已停止的功能。 若要深入瞭解，請參閱 Analysis Services 回溯相容性。

Microsoft類神經網路演算法是機器學習的熱門且可調整神經網路架構的實作。 此演算法的運作方式是針對可預測屬性的每個可能狀態測試輸入屬性的每個可能狀態，並根據定型數據計算每個組合的機率。 您可以將這些機率用於分類或回歸工作，根據某些輸入屬性預測結果。 神經網路也可用於關聯分析。

當您使用Microsoft類神經網路演算法建立採礦模型時，您可以包含多個輸出，而且演算法會建立多個網路。 單一採礦模型中所包含的網路數目取決於輸入數據行中的狀態數（或屬性值），以及採礦模型所使用的可預測數據行數目，以及這些數據行中的狀態數目。

例

Microsoft類神經網路演算法可用於分析複雜的輸入數據，例如從製造或商業程式，或是有大量定型數據可供使用但無法輕易衍生規則的商業問題。

使用Microsoft類神經網路演算法的建議案例包括：

• 營銷和促銷分析，例如測量直接郵件促銷或廣播廣告活動的成功

• 從歷史數據預測股票走勢、貨幣波動或其他高度流暢的財務資訊

• 分析製造和工業程式

• 文字採礦

• 任何分析許多輸入之間複雜關聯性的預測模型，以及相對較少的輸出

演算法的運作方式

Microsoft類神經網路演算法會建立由最多三層節點組成的網路（有時稱為 神經元）。 這些層是 輸入層、隱藏層，以及 輸出層。

輸入層： 輸入節點會定義數據採礦模型及其機率的所有輸入屬性值。

隱藏層： 隱藏節點接收輸入節點的輸入，並提供輸出節點的輸出。 隱藏層是輸入的各種機率指派權數的位置。 權數描述特定輸入對隱藏節點的相關性或重要性。 指派給輸入的權數越大，該輸入的值就越重要。 權數可以是負數，這表示輸入可以抑制特定結果，而不是偏向。

輸出層： 輸出節點代表數據採礦模型的可預測屬性值。

如需如何建構和評分輸入、隱藏和輸出層的詳細說明，請參閱 Microsoft 類神經網路演算法技術參考。

類神經網路模型所需的數據

類神經網路模型必須包含索引鍵數據行、一或多個輸入數據行，以及一或多個可預測的數據行。

使用Microsoft類神經網路演算法的數據採礦模型會受到您為演算法可用參數所指定的值所影響。 參數會定義如何取樣數據、如何散發數據或預期在每個數據行中散發，以及叫用特徵選取來限制最終模型中所使用的值。

如需設定參數以自訂模型行為的詳細資訊，請參閱 Microsoft 類神經網路演算法技術參考。

檢視類神經網路模型

若要處理資料，並查看模型如何與輸出相互關聯輸入，您可以使用類神經網路檢視器 Microsoft。 透過這個自定義查看器，您可以篩選輸入屬性及其值，並查看顯示它們如何影響輸出的圖表。 查看器中的工具提示會顯示與每對輸入和輸出值相關聯的機率和增益。 如需詳細資訊，請參閱 使用Microsoft類神經網路查看器流覽模型。

探索模型結構最簡單的方式是使用 Microsoft 一般內容樹視圖。 您可以檢視模型所建立的輸入、輸出和網路，然後按兩下任何節點加以展開，並查看與輸入、輸出或隱藏層節點相關的統計數據。 如需詳細資訊，請參閱 使用 Microsoft泛型內容樹檢視器瀏覽模型。

建立預測

處理模型之後，您可以使用網路和儲存在每個節點內的權數來進行預測。 類神經網路模型支援回歸、關聯和分類分析，因此，每個預測的意義可能不同。 您也可以查詢模型本身，以檢閱找到並擷取相關統計數據的相互關聯。 如需如何針對類神經網路模型建立查詢的範例，請參閱 類神經網路模型查詢範例。

如需如何在數據採礦模型上建立查詢的一般資訊，請參閱 數據採礦查詢。

言論

• 不支援鑽研或數據採礦維度。 這是因為採礦模型中節點的結構不一定直接對應至基礎數據。

• 不支援以預測模型標記語言 （PMML） 格式建立模型。

• 支援使用 OLAP 採礦模型。

• 不支援建立數據採礦維度。

另請參閱

Microsoft 類神經網路演算法技術參考
類神經網路模型的採礦模型內容 （Analysis Services - 數據採礦）
類神經網路模型查詢範例
Microsoft 羅吉斯回歸演算法