【文章內(nèi)容簡介】 當在 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。 Microsoft 一般內(nèi)容查看器通過使用挖掘模型內(nèi)容架構行集中可用的同一信息，來顯示模型中的列、規(guī)則、屬性 (property)、屬性 (attribute)、節(jié)點以及其他內(nèi)容。內(nèi)容架構行集是用于呈現(xiàn)數(shù)據(jù)挖掘模型內(nèi)容詳細信息的通用框架。您可以在任何支持分層行集的客戶端中查看模型內(nèi)容。 Business Intelligence Development Studio 中的此 查看器在 HTML 表查看器中呈現(xiàn)這些信息，這些信息將以一致的格式表示所有模型，使得您所創(chuàng)建模型的結構更易于理解。有關詳細信息，請參閱 使用 Microsoft 一般內(nèi)容樹查看器查看模型詳細信息 22。 返回頁首 查詢挖掘模型內(nèi)容的工具 若要檢索挖掘模型內(nèi)容，您必須針對數(shù)據(jù)挖掘模型創(chuàng)建一個查詢。 創(chuàng)建內(nèi)容查詢的最簡便方法就是在 SQL Server Management Studio 中執(zhí)行以下 DMX 語句： 復制 SELECT * FROM [mining model name].CONTENT 有關詳細信息，請參閱 查詢數(shù)據(jù)挖掘模型（ Analysis Services – 數(shù)據(jù)挖掘）3。 還可以通過使用數(shù)據(jù)挖掘架構行集來查詢挖掘模型內(nèi)容。 架構行集是標準的架構，客戶端可以用來發(fā)現(xiàn)、瀏覽和查詢有關挖掘結構和模型的信息。您可以通過使用 XMLA、 TransactSQL 或 DMX 語句來查詢架構行集。 在 SQL Server 2020 中，您還可以通過啟動與 Analysis Services 服務器的連接并查詢系統(tǒng)表來訪問數(shù)據(jù)挖掘架構行集中的信息。有關使用 SELECT 語句查詢16 數(shù)據(jù)挖掘架構行集的詳細信息，請參閱 故障排除工具（ Analysis Services 數(shù)據(jù)挖掘） 23。 返回頁首 請參閱 參考 Microsoft 一般內(nèi)容樹查看器（數(shù)據(jù)挖掘設計器） 24 概念 數(shù)據(jù)挖掘算法（ Analysis Services – 數(shù)據(jù)挖掘） 25 17 關聯(lián)模型的挖掘模型內(nèi)容（ Analysis Services – 數(shù)據(jù)挖掘） SQL Server 2020 R2 本主題講述使用 Microsoft 關聯(lián)規(guī)則算法的模型特有的挖掘模型內(nèi)容。 有關與適用于所有模型類型的挖掘模型內(nèi)容相關的常規(guī)術語和統(tǒng)計術語的說明，請參閱挖掘模型內(nèi)容（ Analysis Services 數(shù)據(jù)挖掘） 1。 了解關聯(lián)模型的結構 關聯(lián)模型結構非常 簡單。 每個模型均具有表示該模型及其元數(shù)據(jù)的單一父節(jié)點，且每個父節(jié)點均具有項集和規(guī)則的平面列表。 項集和規(guī)則不是按樹組織的，它們的順序是項集在先、規(guī)則在后，如下面的關系圖所示。 每個項集均包含在其自己的節(jié)點中 (NODE_TYPE = 7)。 “ 節(jié)點 ” 包含項集定義、含有此項集的事例的數(shù)目以及其他信息。 每個規(guī)則也包含在其自己的節(jié)點中 (NODE_TYPE = 8)。 “ 規(guī)則 ” 說明項目關聯(lián)方式的一般模式。 規(guī)則類似于 IFTHEN 語句。 規(guī)則左側顯示的是一個現(xiàn)有條件或條件集。 規(guī)則右側顯示的是數(shù)據(jù)集 中的項，該項通常與左側的條件相關聯(lián)。 注意 如果要提取規(guī)則或項集，可使用查詢僅返回需要的節(jié)點類型。 有關詳細信息，請參閱 查詢關聯(lián)模型（ Analysis Services – 數(shù)據(jù)挖掘） 2。 關聯(lián)模型的模型內(nèi)容 本節(jié)僅針對與關 聯(lián)模型相關的挖掘模型內(nèi)容中的列給出詳細信息和示例。 有關架構行集中通用列（例如 MODEL_CATALOG 和 MODEL_NAME）的信息，請參閱挖掘模型內(nèi)容（ Analysis Services 數(shù)據(jù)挖掘） 1。 MODEL_CATALOG 存儲模型的數(shù)據(jù)庫的名稱。 18 MODEL_NAME 模型的名稱。 ATTRIBUTE_NAME 與此節(jié)點對應的屬性的名 稱。 NODE_NAME 節(jié)點的名稱。 對于關聯(lián)模型，該列包含的值與 NODE_UNIQUE_NAME 列相同。 NODE_UNIQUE_NAME 節(jié)點的唯一名稱。 NODE_TYPE 關聯(lián)模型僅輸出以下節(jié)點類型： 節(jié)點類型 ID 類型 1（模型） 根節(jié)點或父節(jié)點。 7（項集） 項集，或屬性 值對的集合。 示例： Product 1 = Existing, Product 2 = Existing 或者 Gender = Male. 8（規(guī)則） 用于定義項相互關聯(lián)的方式的規(guī)則。 示例： Product 1 = Existing, Product 2 = Existing Product 3 = Existing. NODE_CAPTION 與節(jié)點關聯(lián)的標簽或標題。 項集節(jié)點 逗號分隔的項列表。 規(guī)則節(jié)點 包含規(guī)則的左右兩邊。 CHILDREN_CARDINALITY 指示當前節(jié)點的子節(jié)點的數(shù)目。 父節(jié)點 指示項集與規(guī)則數(shù)目的總和。 19 注意 若要獲取對項集和規(guī)則計數(shù)的明細，請參閱該模型根節(jié)點的 NODE_DESCRIPTION。 項集或規(guī)則節(jié)點 始終為 0。 PARENT_UNIQUE_NAME 節(jié)點的父節(jié)點的唯一名稱。 父節(jié)點 始終為 NULL。 項集或規(guī)則節(jié)點 始終為 0。 NODE_DESCRIPTION 節(jié)點內(nèi)容的用戶友好說明。 父節(jié)點 包括一個逗號分隔列表，該列表包含有關該模型的以下信息： 項 說明 ITEMSET_COUNT 模型中所有項集的計數(shù)。 RULE_COUNT 模型中所有規(guī)則的計數(shù)。 MIN_SUPPORT 為任何單個項集找到的最小支持。 注意 該值可能不同于為 MINIMUM _SUPPORT 參數(shù)設置的值。 MAX_SUPPORT 為 任何單個項集找到的最大支持。 注意 該值可能不同于為 MAXIMUM_SUPPORT 參數(shù)設置的值。 MIN_ITEMSET_SIZE 最小項集的大小，由項目的計數(shù)表示。 值為 0 指示 Missing 狀態(tài)被視為獨立項目。 注意 MINIMUM_ITEMSET_SIZE 參數(shù)的默認值為 1。 MAX_ITEMSET_SIZE 指示找到的最大項集的大小。 注意 該值受創(chuàng)建模型時為 MAX_ITEMSET_SIZE 參數(shù)設置的值的約束。 該值永遠不可大于、但可小于為該參數(shù)設置的值。 默認值為 3。 MIN_PROBABILI 為模型中的任何單個項集或規(guī)則檢測到的最小概率。 20 TY 示例： 注意 對于項集，該值始終大于創(chuàng)建模型時為 MINIMUM_PROBABILITY 參數(shù)設置的值。 MAX_PROBABILITY 為模型中的任何單個項集或規(guī)則檢測到的最大概率。 示例： 1 注意 沒有參數(shù)來約束項集的最大概率。 若要消除出現(xiàn)過于頻繁的項目，請改用 MAXIMUM_SUPPORT 參數(shù)。 MIN_LIFT 該模型為任何項集提供的最小提升量。 示例： 注意 了解最小提升可幫助您確定對任何一個項集的提升是否有效。 MAX_LIFT 該模型為每個項集提供的最大提升量。 示例： 注意 了解最大提升可幫助您確定對任何一個項集的提升是否有效。 項集節(jié)點 項集節(jié)點包含一個項目列表，該列表顯示為一個以逗號分隔的文本字符串。 示例： Touring Tire = Existing, Water Bottle = Existing 這表示同時購買了旅行車輪胎和水瓶。 規(guī)則節(jié)點 規(guī)則節(jié)點包含由箭頭分隔的規(guī)則的左右兩邊。 示例： Touring Tire = Existing, Water Bottle = Existing Cycling cap = Existing 這意味著如果某人買了旅行車輪胎和水瓶，他還可能買了自行車運動帽。 NODE_RULE 描述節(jié)點中嵌套的規(guī)則或項集的 XML 片段。 父節(jié)點 空白。 項集節(jié)點 空白。 21 規(guī)則節(jié)點 包含關于規(guī)則的其他有用信息的 XML 片段，這些信息包括支持、置信度、項目數(shù)量以及表示規(guī)則左側的節(jié)點的 ID 等。 MARGINAL_RULE 空白。 NODE_PROBABILITY 與項集 或規(guī)則關聯(lián)的概率或置信度分數(shù)。 父節(jié)點 始終為 0。 項集節(jié)點 項集的概率。 規(guī)則節(jié)點 規(guī)則的置信度值。 MARGINAL_PROBABILITY 與 NODE_PROBABILITY 相同。 NODE_DISTRIBUTION 根據(jù)節(jié)點是項集還是規(guī)則，該表包含的信息可能會有很大不同。 父節(jié)點 空白。 項集節(jié)點 列出了項集中的每個項目以及概率和支持值。 例如，如果項集包含兩個產(chǎn)品，則將列出每個產(chǎn)品的名稱，同時還會列出包括每個產(chǎn)品的事例的計數(shù)。 規(guī)則節(jié)點 包含兩行。 第一行顯示規(guī)則右側（預測項目）所具有的屬 性以及置信度分數(shù)。 第二行為關聯(lián)模型獨有，包含一個指向位于規(guī)則右側的項集的指針。 在 ATTRIBUTE_VALUE 列中，將該指針表示為僅包含右側項目的項集的 ID。 例如，如果規(guī)則為 If {A,B} Then {C}，則該表包含項目 {C} 的名稱，以及含有項目 C 所在項集的節(jié)點的 ID。 在根據(jù)項集節(jié)點確定總共有多少個事例包含右側產(chǎn)品時，該指針很有用處。 遵循 If {A,B} Then {C} 規(guī)則的事例是 {C} 的項集中列出的事例的子集。 NODE_SUPPORT 支持此節(jié)點的事例的數(shù) 目。 父節(jié)點 模型中的事例數(shù)。 項集節(jié)點 包含項集中所有項目的事例的數(shù)目。 22 規(guī)則節(jié)點 含有規(guī)則中包含的所有項目的事例的數(shù)目。 MSOLAP_MODEL_COLUMN 根據(jù)節(jié)點是項集還是規(guī)則，包含不同的信息。 父節(jié)點 空白。 項集節(jié)點 空白。 規(guī)則節(jié)點 包含規(guī)則左側項目的項集的 ID。 例如，如果規(guī)則為 If {A,B} Then {C}，則該列包含僅含有 {A,B} 的項集的 ID。 MSOLAP_NODE_SCORE 父節(jié)點 空白。 項集節(jié)點 項集的重要性分數(shù)。 規(guī)則節(jié)點 規(guī)則的重要性分數(shù)。 注意 項集和規(guī)則的重要性的計算方法不同。 有關詳細信息，請參閱 Microsoft 關聯(lián)算法技術參考 3。 MSOLAP_NODE_SHORT_CAPTION 空白。 請參閱 概念 挖掘模型內(nèi)容（ Analysis Services 數(shù)據(jù)挖掘） 1 Microsoft 關聯(lián)算法 4 查詢關聯(lián)模型（ Analysis Services – 數(shù)據(jù)挖掘） 2 23 聚類分析模型的挖掘模型內(nèi)容（ Analysis Services – 數(shù)據(jù)挖掘） SQL Server 2020 R2 本主題介紹使用 Microsoft 聚類分析算法的模型特有的挖掘模型內(nèi)容。 有關所有模型類型的挖掘模型內(nèi)容的一般說明，請參閱 挖掘模型內(nèi)容（ Analysis Services 數(shù)據(jù)挖掘） 1。 了解聚類分析模型的結構 聚類分析模型的結構很簡單。 每個模型均具有表示該模型及其元數(shù)據(jù)的單一父節(jié)點，且每個父節(jié)點均具有分類的平面列表 (NODE_TYPE = 5)。 下圖顯示了此組織。 每個子節(jié)點均表示一個分類，并包含有關該分類中事例屬性的詳細統(tǒng)計信息。 這包含該分類中事例數(shù)的計數(shù)以及將該分類與其他分類區(qū)分開來的值的分布。 注意 您無需遍歷節(jié)點來獲取分類的計數(shù)或說明，該模型 父節(jié)點也會對分類進行計數(shù)并列出分類。 父節(jié)點包含有用的統(tǒng)計信息，用于描述所有定型事例的實際分布。 可在嵌套表列 NODE_DISTRIBUTION 中找到這些統(tǒng)計信息。 例如，下表顯示了 NODE_DISTRIBUTION 表中的若干行，這些行描述了您在 數(shù)據(jù)挖掘基礎教程 2中創(chuàng)建的聚類分析模型 TM_Clustering 的客戶人口統(tǒng)計信息的分布： ATTRIBUTE_NAME ATTRIBUTE_VALUE SUPPORT PROBABILITY VARIANCE VALUE_TYPE Age 缺少 0 0 0 1（缺失） 24 Age 593 12939 1 554 3（連續(xù)） Gender 缺少 0 0 0 1（缺少） 性別 F 6350 479 0 4（離散） Gender M 6589 521 0 4（離散）