【正文】 聚類分析模型的挖掘模型內(nèi)容（ Analysis Services 數(shù)據(jù)挖查詢順序分析和聚類分析模型（ Analysis Services 數(shù)據(jù)挖15 掘） 18 掘） 19 時序模型 時序模型的挖掘模型內(nèi)容（ Analysis Services 數(shù)據(jù)挖掘） 20 查詢時序模型（ Analysis Services 數(shù)據(jù)挖掘） 21 查看挖掘模型內(nèi)容的工具 當(dāng)在 Business Intelligence Development Studio 中瀏覽模型時，可以使用 Microsoft 一般內(nèi)容樹查看器 查看信息， Business Intelligence Development Studio 和 SQL Server Management Studio 中均提供了此查看器。相反， Microsoft 線性回歸算法不包含任何子節(jié)點；而模型的父節(jié)點包含的公式用于說明分析所發(fā)現(xiàn)的線性關(guān)系。 MARGINAL_RULE 中的 XML 片段用于定義當(dāng)前節(jié)點的屬性和值，而 NODE_RULE 中的 XML 片段用于描述從模型根至當(dāng)前節(jié)點的路徑。 節(jié)點 /屬性和值的級別 邊際概率 節(jié)點概率 模型根 所有目標(biāo)客戶 1 1 按性別平分目標(biāo)客戶 .5 .5 按性別平分目標(biāo)客戶，然后按三種收入級別平分 .33 .5 * .33 = .165 節(jié)點規(guī)則和邊際規(guī)則 所有模型類型的挖掘模型架構(gòu)行集也均包括列 NODE_RULE 和 MARGINAL_RULE。 13 ? 節(jié)點概率 始終小于或等于 邊際概率 。例如，模型的根節(jié)點永遠(yuǎn)不會包含一個概率分?jǐn)?shù)。 節(jié)點分?jǐn)?shù) 根據(jù)模型類型的不同，節(jié)點分?jǐn)?shù)的含義也不同，也可以特定于節(jié)點類型。 18 預(yù)呈現(xiàn)的字符串 表示一個由算法作為字符串呈現(xiàn)的自定義值。 15 差分階數(shù) 指示一個值，用于表示差分時序的次數(shù)。 13 自動回歸階數(shù) 指示一個值，該值表示自動回歸序列的數(shù)目。 12 12 周期 指示該值表示模型中的周期性結(jié)構(gòu)。 9 統(tǒng)計信息 指示表示回歸量的統(tǒng)計信息的數(shù)值。 7 系數(shù) 指示一個表示系數(shù)的數(shù)值。有關(guān)信息，請參閱缺少值（ Analysis Services – 數(shù)據(jù)挖掘） 4。 2 Existing 指示事例數(shù)據(jù)包含此屬性的值。 NODE_DISTRIBUTION 表中顯示的值是所有離散和離散化屬性的實際值以及連續(xù)值的平均值。如 果模型支持連續(xù)值，則方差是使用分母 n 或節(jié)點中的事例數(shù)計算為 (sigma) 的。Three39。 調(diào)整后，所有值的概率相加仍為 1。Two39。 10 但是，概率會略有調(diào)整以消除數(shù)據(jù)中缺失的值所造成的偏差。多重分類成員身份是默認(rèn)的聚類分析方法。 9 例如，在分類樹中，支持值指示具有所描述的屬性組合的事例數(shù)。 通常，每個節(jié)點的支持值會指示定型集中有多少事例包 含在當(dāng)前節(jié)點中。 例如，如果將模型設(shè)置為查找至少購買過一次某個特定商品的客戶，ATTRIBUTE_NAME 列可能包含屬性 /值對，用于定義所關(guān)注的商品（如 Model = 39。 此列還可以包含一個屬性 /值對。每個列的內(nèi)容會有所不同，具體取決于模型類型。有關(guān)如何解釋節(jié)點分布的詳細(xì)信息，請參閱對應(yīng)于您所使用的特定模型類型的主題。 注意 有些模 型（例如，由 Microsoft 神經(jīng)網(wǎng)絡(luò)算法創(chuàng)建的模型）另外還包含一個特殊的節(jié)點類型，該類型提供關(guān)于整個模型的定型數(shù)據(jù)的描述性統(tǒng)計信息。 盡管對于所有模型來說統(tǒng)計基數(shù)的方法都是相同的，但是根據(jù)模型類型的不同，解釋或使用基數(shù)值的方式會有所不同。例如，如果某個決策樹模型有一個 [Yearly Ine] 節(jié)點，并且該節(jié)點有兩個子節(jié)點，一個針對條件 [Yearly Ine] = High，一個針對條件 [Yearly Ine] = Low，則 [Yearly Ine] 節(jié)點的 CHILDREN_CARDINALITY 值將為 2。 7 ? 您可以在數(shù)據(jù)挖掘擴展插件 (DMX) 查詢內(nèi)使用函數(shù)來查找特定節(jié)點的后代或父級。該值存儲在子節(jié)點，指示父節(jié)點的 ID。請參閱各個模型類型的主題，了解有關(guān)實現(xiàn)的詳細(xì)信息。不過，這些友好名稱在服務(wù)器上不是持久性的，如果您重新處理模型，算法將重新生成新的分類名稱。不過，這些 信息在模型的所有節(jié)點中都是重復(fù)的，因此您無需查詢根節(jié)點來獲取這些元數(shù)據(jù)。 節(jié)點 ID、名稱、標(biāo)題和說明 6 任何模型的根節(jié)點始終具有值為 0 的唯一 ID (NODE_UNIQUE_NAME)。僅適用于那些使用 ARIMA 算法的時序模型。僅適用于那些使用 ARIMA 算法的時序模型。ve Bayes 模型。 25 RegressionTreeRoot 回歸樹的根。此節(jié)點通常將輸出屬性與對應(yīng)的狀態(tài)相匹配。適用于神經(jīng)網(wǎng)絡(luò)模型。適用于神經(jīng)網(wǎng)絡(luò)模型。適用于神經(jīng)網(wǎng)絡(luò)模型。僅適用于時序模型。適用于順序分析和聚類分析模型。 11 InputAttributeState 有關(guān)輸入屬性狀態(tài)的統(tǒng)計信息。適用于所有模型類型。適用于關(guān)聯(lián)模型或順序分析和聚類分析模型。 5 Cluster 算法檢測到的分類。 3 Interior 樹中的內(nèi)部拆分節(jié)點。 4 NODE_TYPE ID 節(jié)點標(biāo)簽 節(jié)點內(nèi)容 1 Model 元數(shù)據(jù)和根內(nèi)容節(jié)點。由于每種算法處理信息的方式不同，因此每個模型僅生成幾種特定類型的節(jié)點。 ? 規(guī)則和橫向指針的定義。元數(shù)據(jù)標(biāo)識節(jié)點屬于哪個模型以及存儲該特定模型的數(shù)據(jù)庫目錄。 返回頁首 節(jié)點 在挖掘模型中，每個節(jié)點都是一個常規(guī)用途的容器，用于存儲關(guān)于整個模型或它的一部分的一段信息。每個模型都有一個根節(jié)點 (NODE_TYPE = 1)。節(jié)點按層次結(jié)構(gòu)排列。 本節(jié)介紹為所有的挖掘模型類型提供的基本內(nèi)容結(jié)構(gòu)。 不論使用的是哪種算法，挖掘模型內(nèi)容都是以標(biāo)準(zhǔn)結(jié)構(gòu)呈現(xiàn)的。1 Microsoft SQL Server 2020 R2 數(shù)據(jù)挖掘算法 模型內(nèi)容 目錄 挖掘模型內(nèi)容（ Analysis Services 數(shù)據(jù)挖掘） ............................................... 2 關(guān)聯(lián)模型的挖掘模型內(nèi)容（ Analysis Services – 數(shù)據(jù)挖掘） ........................ 17 聚類分析模型的挖掘模型內(nèi)容（ Analysis Services – 數(shù)據(jù)挖掘） ................ 23 決策樹模型的挖掘模型內(nèi)容（ Analysis Services 數(shù)據(jù)挖掘） ...................... 28 線 性回歸模型的挖掘模型內(nèi)容（ Analysis Services 數(shù)據(jù)挖掘） .................. 39 邏輯回歸模型的挖掘模型內(nèi)容（ Analysis Services 數(shù)據(jù)挖掘） .................. 45 Naive Bayes 模型的挖掘模型內(nèi)容（ Analysis Services 數(shù)據(jù)挖掘） .......... 52 神經(jīng)網(wǎng)絡(luò)模型的挖掘模型內(nèi)容（ Analysis Services 數(shù)據(jù)挖掘） .................. 62 順序分析和聚類分析模型的挖掘模型內(nèi)容（ Analysis Services 數(shù)據(jù)挖掘）...................................................................................................................................... 71 時序模型的挖掘模型內(nèi)容（ Analysis Services 數(shù)據(jù)挖掘） .......................... 81 2 挖掘模型內(nèi)容（ Analysis Services 數(shù)據(jù)挖掘） SQL Server 2020 R2 使用基礎(chǔ)挖掘結(jié)構(gòu)中的數(shù)據(jù)設(shè)計并處理挖掘模型后，該挖掘模型就已完成，包含有 “ 挖掘模型內(nèi)容 ” 。模型 內(nèi)容可能包括回歸公式、規(guī)則和項集的定義或權(quán)重和其他統(tǒng)計信息，具體取決于所使用的算法。有關(guān)詳細(xì)信息，請參閱 使用數(shù)據(jù)挖掘模型操作指南主題（ Analysis Services 數(shù)據(jù)挖掘） 1。節(jié)點是挖掘模型內(nèi)的對象，包含該模型某一部分的元數(shù)據(jù)或信息。 3 每個模型中的第一個節(jié)點都稱為 “ 根節(jié)點 ” 或 “ 模型父節(jié)點 ” 。子節(jié)點具有不同的含義，包含不同的內(nèi)容，具體取決于算法以及數(shù)據(jù)的深度和復(fù)雜性。 每個節(jié)點都包含關(guān)于該節(jié)點的元數(shù) 據(jù)，包括在每個模型中唯一的標(biāo)識符、父節(jié)點的 ID 以及該節(jié)點具有的子節(jié)點數(shù)量。 ? 系數(shù)和公式。 下表列出了可以在數(shù)據(jù)挖掘模型中輸出的各種類型的節(jié)點。 注意 如果您使用的數(shù)據(jù)挖掘服務(wù)不是由 SQL Server 2020 Analysis Services 提供的，或者您創(chuàng)建自己的插件算法，則可能還有更多自定義節(jié)點類型。適用于決策樹模型。適用于決策樹模型。 7 ItemSet 算法檢測到的項集。 9 PredictableAttribute 可預(yù)測屬性。ve Bayes 模型。 13 Sequence 序列分類的 Markov 模型組件的頂端節(jié)點。 15 TimeSeries 時序樹的非根節(jié)點。 17 NNetSubwork 一個子網(wǎng)絡(luò)。 19 NNetHiddenLayer 包含描述隱藏層的節(jié)點的組。 21 NNetInputNode 將輸入屬性與對應(yīng)狀態(tài)相匹配的輸入層中的節(jié)點。 23 NNetOutputNode 輸出層中的節(jié)點。適用于神經(jīng)網(wǎng)絡(luò)模型。適用于 Na239。 28 ArimaPeriodicStructure ARIMA 模型中的周期性結(jié)構(gòu)。 30 ArimaMovingAverage ARIMA 模型中單個字詞的移動平均值系數(shù)。適用于通過使用自定義插件算法創(chuàng)建的模型。這些元數(shù)據(jù)包括存儲模型的 Analysis Services 數(shù)據(jù)庫 (MODEL_CATALOG)、架構(gòu) (MODEL_SCHEMA) 和模型的名稱 (MODEL_NAME)。 注意 Microsoft 聚類分析算法允許用戶為每個分類指定友好名稱。某些情況下，名稱、標(biāo)題和說明可能包含完全相同的字符串，但是在某些模型中，說明還可能包含更多信息。 父節(jié)點、子節(jié)點和節(jié)點基數(shù) 樹結(jié)構(gòu)中父節(jié)點和子節(jié)點之間的關(guān)系是由 PARENT_UNIQUE_NAME 列的值決定的。這是因為根節(jié)點的 ID 始終為 0。在處理的挖掘模型的上下文中，基數(shù)會指示特定節(jié)點中子級的數(shù)量。這種做法可能會很有用，例如，如果您希望統(tǒng)計后代的總數(shù)，而不僅僅是直接子級的數(shù)量。有關(guān)如何解釋基數(shù)的詳細(xì)信息，請參閱有關(guān)各個模型類型的主題。根據(jù)模型類型、節(jié)點在樹中的位置以及此可預(yù)測屬性是連續(xù)數(shù)值還是離散值，該表中所提供的準(zhǔn)確統(tǒng)計信息會有所變化；不過，它們可以包括屬性的最小值和最大值、分配給值的權(quán)重、節(jié)點中事例的數(shù)量、回8 歸公式中使用的系數(shù)以及 諸如標(biāo)準(zhǔn)偏差和方差等統(tǒng)計度量值。 嵌套表 NODE_DISTRIBUTION 始終包含以下列?？梢允橇械拿Q，例如可預(yù)測屬性、規(guī)則、項集或算法內(nèi)部的一條信息（如公式的一部分）。 根據(jù)算法處理值的方式， ATTRIBUTE_VALUE 還可能包含一個標(biāo)志，用于指示該屬性是存在一個值 (Existing) 還是值為 Null (Missing)。 SUPPORT 具有此屬性 /值對或包含此項集或規(guī)則的事例的計數(shù)。Analysis Services 服務(wù)器還使用這些存儲值來計算存儲概率與以前的概率之比，以確定推導(dǎo)是強還是弱。 節(jié)點 ID 和節(jié)點屬性 支持計數(shù) (1) 模型根 1200 (2) Gender = Male (3) Gender = Female 600 600 (4) Gender = Male 并且 Ine = High (5) Gender = Male 并且 Ine = Medium (6) Gender = Male 并且 Ine = Low 200 200 200 (7) Gender = Female 并且 Ine = High (8) Gender = Female 并且 Ine = Medium (9) Gender = Female 并且 Ine = Low 200 200 200 對于聚類分析模型，支持的數(shù)量可以加權(quán)，以包括屬于多個分類的概率。 通常 ，概率代表對此特定值的支持除以節(jié)點內(nèi)的事例總數(shù) (NODE_SUPPORT)。 和 39。 示例： [Total Children = One] 的概率 = [Total Children = One 的事例數(shù) ] + 1/[所有事例數(shù) ] + 3 [Total Children = Two] 的概率 = [Total Children = Two 的事例數(shù) ]