線性迴歸模型查詢範例
當您針對資料採礦模型建立查詢時，可以建立內容查詢來提供有關分析期間所發現之模式的詳細資料，或是建立預測查詢來使用模型中的模式，為新的資料進行預測。 例如，內容查詢可能會提供有關迴歸公式的其他詳細資料，而預測查詢則會告訴您新資料點是否符合模型。 您也可以使用查詢來擷取有關模型的中繼資料。
本節說明如何針對以 Microsoft 線性迴歸演算法為基礎的模型來建立查詢。
注意
線性迴歸是以 Microsoft 決策樹演算法的特殊案例為基礎，因此有許多相似處，而且使用連續可預測屬性的某些決策樹模型可以包含迴歸公式。 如需詳細資訊，請參閱 Microsoft 決策樹演算法技術參考。
內容查詢
預測查詢
尋找有關線性迴歸模型的資訊
線性迴歸模型的結構相當簡單：採礦模型將資料表示為定義迴歸公式的單一節點。 如需詳細資訊，請參閱羅吉斯 回歸模型的採礦模型內容 (Analysis Services - 資料採礦) 。
範例查詢 1：使用資料採礦結構描述資料列集來判斷用於模型的參數
您可以查詢資料採礦結構描述資料列集來尋找有關模型的中繼資料。 這可能包括建立模型的時間、上次處理模型的時間、模型所依據之採礦結構的名稱，以及指定為可預測屬性之資料行的名稱。 您也可以傳回初次建立此模型時所使用的參數。
SELECT MINING_PARAMETERS
FROM $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'TM_PredictIncome'
範例結果：
| MINING_PARAMETERS |
|---|
| COMPLEXITY_PENALTY=0.9, MAXIMUM_INPUT_ATTRIBUTES=255, MAXIMUM_OUTPUT_ATTRIBUTES=255, MINIMUM_SUPPORT=10, SCORE_METHOD=4, SPLIT_METHOD=3, FORCE_REGRESSOR= |
注意
參數設定「FORCE_REGRESSOR = 」表示目前用於 FORCE_REGRESSOR 參數的值為 Null 值。
範例查詢 2：擷取模型的迴歸公式
下列查詢會針對利用＜ Basic Data Mining Tutorial＞中所使用之相同目標郵寄資料來源所建立的線性迴歸模型，傳回採礦模型內容。 此模型會根據年齡預測客戶收入。
查詢會傳回包含迴歸公式之節點的內容。 每個變數和係數都儲存在 NODE_DISTRIBUTION 資料表的個別資料列中。 如果您要檢視完整的迴歸公式，使用 Microsoft 樹狀檢視器，按一下 (All) 節點，然後開啟 [採礦圖例]。
SELECT FLATTENED NODE_DISTRIBUTION as t
FROM LR_PredictIncome.CONTENT
注意
如果您使用 SELECT <column name> from NODE_DISTRIBUTION這類的查詢來參考巢狀資料表的個別資料行，某些資料行 (例如， SUPPORT 或 PROBABILITY) 必須括在括號內，以便與同名的保留關鍵字區別。
預期的結果：
| T.ATTRIBUTE_NAME | t.ATTRIBUTE_VALUE | t.SUPPORT | t.PROBABILITY | t.VARIANCE | t.VALUETYPE |
|---|---|---|---|---|---|
| Yearly Income | Missing | 0 | 0.000457142857142857 | 0 | 1 |
| Yearly Income | 57220.8876687257 | 17484 | 0.999542857142857 | 1041275619.52776 | 3 |
| 年齡 | 471.687717702463 | 0 | 0 | 126.969442359327 | 7 |
| 年齡 | 234.680904692439 | 0 | 0 | 0 | 8 |
| 年齡 | 45.4269617936399 | 0 | 0 | 126.969442359327 | 9 |
| 35793.5477381267 | 0 | 0 | 1012968919.28372 | 11 |
相較之下，在 [採礦圖例]中，迴歸公式顯示如下：
Yearly Income = 57,220.919 + 471.688 * (Age - 45.427)
您可以發現，在 [採礦圖例]中，有些數字會被捨入，不過，NODE_DISTRIBUTION 資料表和 [採礦圖例] 基本上包含相同的值。
VALUETYPE 資料行中的值會告訴您每個資料列中包含哪種資訊；如果您要以程式設計方式處理結果，哪個比較實用。 下表顯示針對線性迴歸公式輸出的值類型。
| VALUETYPE |
|---|
| 1 (遺漏) |
| 3 (連續) |
| 7 (係數) |
| 8 (得分) |
| 9 (統計資料) |
| 7 (係數) |
| 8 (得分) |
| 9 (統計資料) |
| 11 (截距) |
如需回歸模型之每個實數值型別意義的詳細資訊，請參閱 Analysis Services - 資料採礦) 的線性回歸模型採礦 (模型內容 。
範例查詢 3：僅傳回模型的係數
您可以使用 VALUETYPE 列舉，僅傳回迴歸方程式的係數，如以下查詢所示：
SELECT FLATTENED MODEL_NAME,
(SELECT ATTRIBUTE_VALUE, VALUETYPE
FROM NODE_DISTRIBUTION
WHERE VALUETYPE = 11)
AS t
FROM LR_PredictIncome.CONTENT
此查詢會傳回兩個資料列，其中一個資料列來自採礦模型內容，而另一個資料列則來自包含係數的巢狀資料表。 ATTRIBUTE_NAME 資料行不包含在此處，因為該資料行對係數來說，永遠是空白的。
| MODEL_NAME | t.ATTRIBUTE_VALUE | t.VALUETYPE |
|---|---|---|
| LR_PredictIncome | ||
| LR_PredictIncome | 35793.5477381267 | 11 |
從線性迴歸模型進行預測
您可以使用資料採礦設計師中的 [採礦模型預測] 索引標籤，在線性迴歸模型上建立預測查詢。 預測查詢產生器可在 SQL Server Management Studio 和 SQL Server Data Tools (SSDT) 中使用。
注意
您也可以使用適用于 Excel 的 SQL Server 2005 資料採礦增益集或適用于 Excel 的 SQL Server 2008 資料採礦增益集來建立回歸模型的查詢。 即使 Excel 的資料採礦增益集不會建立回歸模型，您也可以流覽和查詢儲存在 Analysis Services 實例上的任何採礦模型。
範例查詢 4：使用單一查詢預測收入
在迴歸模型上建立單一查詢最簡單的方式是使用 [單一查詢輸入] 對話方塊。 例如，您可以選取適當的回歸模型、選擇 [單一查詢]，然後輸入 20 作為 Age的值，以建置下列 DMX 查詢。
SELECT [LR_PredictIncome].[Yearly Income]
From [LR_PredictIncome]
NATURAL PREDICTION JOIN
(SELECT 20 AS [Age]) AS t
範例結果：
| Yearly Income |
|---|
| 45227.302092176 |
範例查詢 5：搭配迴歸模型使用預測函數
您可以搭配線性迴歸模型使用多個標準的預測函數。 下列範例說明如何將一些敘述性的統計資料加入到預測查詢結果中。 從這些結果中您可以發現，這與此模型的平均值有相當大的偏差。
SELECT
([LR_PredictIncome].[Yearly Income]) as [PredIncome],
(PredictStdev([LR_PredictIncome].[Yearly Income])) as [StDev1]
From
[LR_PredictIncome]
NATURAL PREDICTION JOIN
(SELECT 20 AS [Age]) AS t
範例結果：
| Yearly Income | StDev1 |
|---|---|
| 45227.302092176 | 31827.1726561396 |
預測函數的清單
所有 Microsoft 演算法都支援一組常見的函式。 不過，Microsoft 線性回歸演算法支援下表所列的其他函式。
| 預測函數 | 使用方式 |
| IsDescendant (DMX) | 確定某個節點是否為模型中另一個節點的子系。 |
| IsInNode (DMX) | 指示指定的節點是否包含目前案例。 |
| PredictHistogram (DMX) | 傳回指定之資料行的一個或一組預測值。 |
| PredictNodeId (DMX) | 傳回每個案例的 Node_ID。 |
| PredictStdev (DMX) | 傳回預測值的標準差。 |
| PredictSupport (DMX) | 傳回指定狀態的支援值。 |
| PredictVariance (DMX) | 傳回指定之資料行的變異數。 |
如需所有 Microsoft 演算法通用的函式清單，請參閱 Data Mining Algorithms (Analysis Services - 資料採礦) 。 如需如何使用這些函式的詳細資訊，請參閱 資料採礦延伸模組 (DMX) 函數參考。
另請參閱
Microsoft 線性迴歸演算法
資料採礦查詢
Microsoft 線性迴歸演算法技術參考
線性迴歸模型的採礦模型內容 (Analysis Services - 資料採礦)