【導(dǎo)讀】Abstract:Microsoft®SQLServer?onexistingmodels.

　　

【正文】 看數(shù)據(jù)挖掘模型”。 您的項(xiàng)目往往會(huì)包含多個(gè)挖掘模型，所以才能使用的模式創(chuàng)建的預(yù)測，你要能夠確定哪些模式是最準(zhǔn)確的。出于這個(gè)原因，編輯包含一個(gè)模型比較工具挖掘精度的圖表標(biāo)簽。使用此工具，您可以比較準(zhǔn)確的預(yù)測模型和您確定最佳模式。 為了建立數(shù)據(jù)預(yù)期，你將使用一種 DME語言， DMX擴(kuò)展了傳統(tǒng)的 SQL語法，包含了一些創(chuàng)建修改和建立數(shù)據(jù)預(yù)期的命令，關(guān)于 DMX的詳細(xì)信息，請(qǐng)參考 SQL BOL中的 “ Data Mining Extensions (DMX) Reference”章節(jié)。因?yàn)榻⒁粋€(gè)數(shù)據(jù)預(yù)期可能比較復(fù)雜，所以數(shù)據(jù)挖掘編輯器包含了一個(gè)工具叫做 “ Prediction Query Builder”， 該工具可以讓你在一個(gè)圖形化的界面下編輯 DMX查詢語句，你也可以在該工具中可以查看自動(dòng)生成的 DMX語句。 了解了前面介紹的實(shí)現(xiàn)數(shù)據(jù)挖掘的工具之外，同等重要的是了解數(shù)據(jù)挖掘模型的結(jié)構(gòu)本身，建立一個(gè)數(shù)據(jù)模型的關(guān)鍵是數(shù)據(jù)挖掘算法，該算法在你操作的數(shù)8 據(jù)中尋找我們需要的部分，并且轉(zhuǎn)換這些數(shù)據(jù) 成為一個(gè)可操作的數(shù)據(jù)模型。 一些很重要的建立數(shù)據(jù)挖掘解決方案的步驟是用來整理準(zhǔn)備那些用于建立數(shù)據(jù)模型的數(shù)據(jù)， SQL2021包含一個(gè) DTS的工作環(huán)境以及一些 DTS的工具用于清理驗(yàn)證準(zhǔn)備數(shù)據(jù)，關(guān)于 DTS的更多信息請(qǐng)查看 SQL BOL中的‘ DTS Data Mining Tasks and Transformations’ 章節(jié)。 Adventure 數(shù)據(jù)庫 AdventureWorksDW 數(shù)據(jù)庫是基于一個(gè)虛構(gòu)的自行車制造公司而建立，公司的名稱叫做 “ Adventure Works Cycles”（簡稱 AW公 司）。 AW公司生產(chǎn)并向北美，歐洲和亞洲的商業(yè)市場銷售金屬和復(fù)合材料的自行車，主要的工作都在華盛頓 Bothell完成，那里擁有 500 員工，以及一些地區(qū)銷售部門遍及各地。 AW公司通過 INTERNET批發(fā)和零售他們的產(chǎn)品，本教程中的數(shù)據(jù)模型實(shí)例需要你使用這些網(wǎng)絡(luò)銷售數(shù)據(jù)作為數(shù)據(jù)模型。 關(guān)于 AW公司數(shù)據(jù)庫的更多信息請(qǐng)參考 SQL Server聯(lián)機(jī)叢書中的如下章節(jié)：‘ Sample Databases and Business Scenarios’。 數(shù)據(jù)庫詳細(xì)信息 網(wǎng)絡(luò)銷售數(shù)據(jù)構(gòu)架包含 9242個(gè)客戶的信息， 這些客戶分布在 6個(gè)國家，并被合并為 3個(gè)區(qū)域： 南美 (83%) 歐洲 (12%) 澳大利亞 (7%) 該數(shù)據(jù)庫包含三個(gè)財(cái)政年度的數(shù)據(jù)： 2021年， 2021年和 2021年。數(shù)據(jù)庫中的產(chǎn)品根據(jù)子類別，型號(hào)和產(chǎn)品來分類。 商業(yè)智能開發(fā)工作室 商業(yè)智能開發(fā)工作室是一套用于創(chuàng)建商務(wù)智能項(xiàng)目的工具。由于商業(yè)智能開發(fā)工作室是創(chuàng)建于 IDE環(huán)境中的，在該環(huán)境中，你可以在脫機(jī)狀態(tài)下創(chuàng)建一個(gè)完整地解決方案。你可以想改多少數(shù)據(jù)挖掘?qū)ο缶透亩嗌?，但是在你發(fā)布該項(xiàng)目前，這些改變將不會(huì)反映在服務(wù)器上。 一個(gè) SSAS數(shù)據(jù)庫用于集成多種 技術(shù)，這個(gè)數(shù)據(jù)庫作為數(shù)據(jù)挖掘模型以及OLAP等技術(shù)的基礎(chǔ)。你可以使用商業(yè)智能 建立和修改一個(gè) SSAS項(xiàng)目并部署這個(gè)項(xiàng)目到一個(gè)或多個(gè) SSAS服務(wù)如果你在開發(fā)一個(gè) SSAS項(xiàng)目你也可以使用商業(yè)智能開發(fā)工作室直接連接數(shù)據(jù)庫，這樣你所作的改動(dòng)可以立刻影響到數(shù)據(jù)庫中。 SQL Server 管理工作室 SQL Server管理工作室是一個(gè)行政和腳本工具與 Microsoft SQL Server組件工作的集合。此工作區(qū)的不同之處，你是在互聯(lián)環(huán)境中工作的行動(dòng)是在傳播到服務(wù)器只要您保存您的工作從商務(wù)智能開發(fā)工作室中 。 在數(shù)據(jù)被清理并為數(shù)據(jù)挖掘準(zhǔn)備好后，大多數(shù)和創(chuàng)建蘇局挖掘解決方案相關(guān)聯(lián)的工作都在商業(yè)智能開發(fā)工作室中工作。通過使用商業(yè)智能開發(fā)工作室，你可9 以利用迭代過程確定的給定情況下的最佳模式來發(fā)布和測試數(shù)據(jù)挖掘解決方案。一旦開發(fā)商對(duì)解決方案滿意，就可以將其發(fā)布到分析服務(wù)服務(wù)器。 從這點(diǎn)來看，重點(diǎn)從 SQL Server管理工作室的開發(fā)轉(zhuǎn)移到了維護(hù)和應(yīng)用。在SQL Server管理工作室中，您可以管理您的數(shù)據(jù)庫和執(zhí)行一些在商業(yè)智能開發(fā)工作室中的相同的職能，比如在挖掘模式中查看、創(chuàng)建預(yù)測。 數(shù)據(jù)轉(zhuǎn)換服務(wù) 在 SQL Server 2021中數(shù)據(jù)轉(zhuǎn)換服務(wù)（ DTS ）包括抽取，轉(zhuǎn)換和加載（簡稱ETL ）工具 。這些工具可用于執(zhí)行一些數(shù)據(jù)挖掘中最重要的任務(wù)，為數(shù)據(jù)模型的建立清理和準(zhǔn)備數(shù)據(jù)。在數(shù)據(jù)挖掘，您通?？梢詧?zhí)行重復(fù)數(shù)據(jù)轉(zhuǎn)換清理數(shù)據(jù)，然后利用這些數(shù)據(jù)組成挖掘模型。利用 DTS中的任務(wù)和轉(zhuǎn)移，您可以把數(shù)據(jù)準(zhǔn)備和模型建立結(jié)合為一個(gè)單一的 DTS包。 DTS公司還提供了 DTS設(shè)計(jì)器，以幫助您輕松地建立和運(yùn)行的包含了所有的任務(wù)和轉(zhuǎn)變的軟件包。利用 DTS設(shè)計(jì)器，您可以將包發(fā)布到服務(wù)器上并定期的運(yùn)行他們。這是非常有用例如，你每周收集數(shù)據(jù)資料，并 向要每次自動(dòng)執(zhí)行相同的清潔轉(zhuǎn)換工作。 你可以通過向商業(yè)智能開發(fā)式的解決方案中分別增加項(xiàng)目來將數(shù)據(jù)轉(zhuǎn)換項(xiàng)目和分析服務(wù)項(xiàng)目結(jié)合起來工作，作為商務(wù)智能解決方案的一部分。 挖掘模式算法 數(shù)據(jù)挖掘算法是挖掘模型的創(chuàng)建的基礎(chǔ)。 SQL Server 2021中各種各樣的算法可以讓你執(zhí)行多種類型的執(zhí)行。欲了解更多有關(guān)算法及其參數(shù)調(diào)整的信息，請(qǐng)參看 SQL Server聯(lián)機(jī)叢書中的“數(shù)據(jù)挖掘算法”。 決策樹 決策樹算法支持分類與回歸并且對(duì)預(yù)測模型也行之有效。利用該算法，你可以預(yù)測離散和連續(xù)這兩個(gè)屬性。 在建立模型時(shí)，該算法檢查 每個(gè)數(shù)據(jù)集的輸入屬性是怎樣的影響預(yù)測屬性的結(jié)果，以及使用最強(qiáng)的關(guān)系的輸入屬性制造了一系列的分裂，稱為節(jié)點(diǎn)。隨著新節(jié)點(diǎn)添加到模型中，樹狀結(jié)構(gòu)開始形成。頂端節(jié)點(diǎn)樹描述了大多數(shù)預(yù)測屬性的統(tǒng)計(jì)分析。每個(gè)節(jié)點(diǎn)建立把預(yù)測屬性比作投入的屬性的分布情況上。如果輸入的屬性被視為導(dǎo)致預(yù)測屬性有利于促成比另一個(gè)更好的狀態(tài)，于是一個(gè)新的節(jié)點(diǎn)添加到模型。該模型繼續(xù)增長，直到?jīng)]有剩余的屬性制造分裂提供了一個(gè)更好的預(yù)測在現(xiàn)有節(jié)點(diǎn)。該模型力圖找到一個(gè)結(jié)合的屬性和引起在預(yù)測屬性不成比例分配的狀態(tài)，因此，您可以預(yù)測預(yù)測屬性的結(jié)果。 簇 簇算法 采用迭代技術(shù)組從包含相似特性的數(shù)據(jù)及中進(jìn)行分類。利用這些組合，您可以探討的數(shù)據(jù)，更多地了解存在的關(guān)系，這在理論上可能不容易通過偶然的觀察獲得。此外，您也可以從算法創(chuàng)建的簇建立預(yù)測模型。例如，考慮那些10 住在同一社區(qū)，驅(qū)動(dòng)器相同的車，吃同樣的食物，買了類似的版本的產(chǎn)品的那一個(gè)群體的人。這是一組數(shù)據(jù)。另一組可能包括去相同的餐廳，也有類似的薪金，休假和每年兩次以外的地區(qū)的人。觀測這些集合是如何的分布，可以更好地了解預(yù)測屬性的結(jié)果是如何相互影響的。 傳統(tǒng)貝葉斯 在傳統(tǒng)貝葉斯算法快速生成挖掘，可用于分類和預(yù)測的模型。它計(jì) 算的每個(gè)輸入屬性的國家給予每個(gè)可預(yù)測屬性，它可以用來預(yù)測以后的預(yù)測屬性上已知的結(jié)果輸入屬性狀態(tài)，概率。用于生成該模型的概率計(jì)算，并在立方體的處理中。該算法只支持離散或離散化的屬性，它認(rèn)為所有輸入屬性是獨(dú)立的。在傳統(tǒng)貝葉斯算法產(chǎn)生一個(gè)簡單的挖掘模型可以被認(rèn)為是在數(shù)據(jù)挖掘過程的起點(diǎn)。由于在建立模型中使用的計(jì)算大多是在加工過程中產(chǎn)生的立方體，迅速返回結(jié)果。這使得該模型的一個(gè)探索發(fā)現(xiàn)的數(shù)據(jù)和如何在不同的輸入屬性的預(yù)測屬性的不同分布狀態(tài)不錯(cuò)的選擇。 時(shí)間系 Microsoft時(shí)序算法創(chuàng)建，可用于預(yù)測了來自 OLAP和關(guān) 系數(shù)據(jù)源的時(shí)間連續(xù)變量模型。例如，您可以使用 Microsoft時(shí)序算法來預(yù)測銷售和在一個(gè)立方體的歷史數(shù)據(jù)為基礎(chǔ)的利潤。 利用該算法，你可以選擇一個(gè)或多個(gè)變量進(jìn)行預(yù)測，但必須是連續(xù)的。您只能有一個(gè)為每個(gè)模型病例。此案系列標(biāo)識(shí)系列中的位置，如超過之日起在幾個(gè)月或幾年的長度尋找銷售。 一個(gè)案件可能含有一組變量（例如，在不同的商店銷售）。 Microsoft時(shí)序算法 可以用其預(yù)測交叉變量的相關(guān)性。例如，在一家商店前的銷售可能會(huì)在其他商店的預(yù)測目前的銷售非常有用。 神經(jīng)網(wǎng)絡(luò) 在 Microsoft SQL Server 2021分析服務(wù)， Microsoft神經(jīng)網(wǎng)絡(luò)算法創(chuàng)建通過構(gòu)建一個(gè)多層感知器神經(jīng)元網(wǎng)絡(luò)分類和回歸挖掘模型。類似 Microsoft決策樹算法提供程序，那么每一個(gè)可預(yù)測屬性的狀態(tài)，該算法計(jì)算出的每個(gè)輸入屬性可能狀態(tài)的概率。該算法提供程序處理案件的整套，反復(fù)比較，與已知的案件實(shí)際的分類個(gè)案的預(yù)測分類。從整個(gè)案件的第一次迭代的初始設(shè)置分類的錯(cuò)誤是反饋到網(wǎng)絡(luò)，并用于修改為下一次迭代網(wǎng)絡(luò)的性能，等等。您可以在以后使用這些概率來預(yù)測一個(gè)屬性的預(yù)測結(jié)果，根據(jù)輸入的屬性。該算法之間和 Microsoft決策樹算法的 主要區(qū)別之一，但是，是其學(xué)習(xí)的過程是朝著減少錯(cuò)誤，而 Microsoft決策樹算法拆分規(guī)則，以最大限度地獲取信息，優(yōu)化網(wǎng)絡(luò)參數(shù)。該算法同時(shí)支持離散和連續(xù)屬性的預(yù)測。 線性回歸 線性回歸算法是決策樹算法的一種特殊的構(gòu)造，獲得了無效的分裂（整個(gè)回歸公式是建立在一個(gè)單一根節(jié)點(diǎn)）。該算法支持預(yù)測連續(xù)屬性。 11 邏輯回歸 邏輯回歸算法是神經(jīng)網(wǎng)絡(luò)算法的一種特殊的構(gòu)造，得到了消除隱蔽層。該算法支持預(yù)測的離散和連續(xù)屬性。 12