瀏覽貝氏機率分類模型 (基本資料採礦教學課程)

適用於： SQL Server 2016 Preview

Microsoft 貝氏機率分類演算法提供數種方法來顯示自行車購買與輸入的屬性之間的互動。

Microsoft 貝式機率分類檢視器提供下列索引標籤，用來瀏覽貝氏機率分類採礦模型︰

相依性網路

屬性設定檔

屬性特性

屬性辨識

相依性網路

相依性網路 索引標籤的運作方式與 相依性網路 ] 索引標籤 Microsoft 樹狀檢視器。檢視器中的每一個節點各代表變數，節點之間的線條則代表關聯性。在此檢視器中，您可以查看對於可預測屬性 Bike Buyer 的狀態具有影響力的所有屬性。

使用 採礦模型 清單頂端的 採礦模型檢視器 索引標籤切換至 TM_NaiveBayes 模型。
使用 檢視器 清單可切換到 Microsoft 貝氏機率分類檢視器。
按一下 [ Bike Buyer 節點以找出其相依性。

粉紅色的陰影表示所有屬性都會影響自行車的購買。
調整滑動軸來識別最具影響力的屬性。

隨著您將滑動軸往下移，便只留下對 [Bike Buyer] 資料行影響最大的屬性。當您調整滑動軸時，您可以發現幾個最具影響力的屬性如下：擁有的汽車數量、通勤距離及小孩總數。

回到頁首

屬性設定檔 ] 索引標籤描述輸入的屬性會影響結果的可預測屬性的不同狀態。

在 可預測 方塊中，確認 Bike Buyer 已選取。
如果 採礦圖例 封鎖的顯示 屬性設定檔, ，將它移開。
在 長條圖 列方塊中，選取 5。

在我們的模型中，5 是任何一個變數的最大狀態數。

能夠影響這個可預測屬性所處狀態的屬性，會與輸入屬性之每一個狀態的值及其在可預測屬性之每一個狀態中的分佈情況一同列出。
在屬性資料行中，尋找 Number Cars Owned。請注意自行車買主 (標記為 1 的資料行) 與非買主 (標記為 0 的資料行) 的長條圖差異。沒有任何汽車或是擁有一輛汽車的人比較可能購買自行車。
按兩下 Number Cars Owned 自行車買主的儲存格（資料行標示為 1）資料行。

採礦圖例 顯示更詳細的檢視。

回到頁首

使用 屬性特性 索引標籤上，您可以選取的屬性和值來查看其他屬性的值在選取的值的情況下出現的頻率。

回到頁首

使用 屬性辨識 索引標籤上，您可以調查自行車購買的兩個離散的值和其他屬性值之間的關係。因為 TM_NaiveBayes 模型有兩個狀態、 1 和 0，不需要進行任何變更到檢視器。

在此檢視器中，您可以看出沒有汽車的人傾向於購買自行車，而擁有兩輛汽車的人則傾向於不購買自行車。