【正文】 implies that C is predicted by A and B. The probability threshold is a parameter that determines the minimum probability before a rule can be considered. The probability is also called confidence in data mining literature. Association models are also useful for cross sell or collaborative filtering. For example, you can use an association model to predict items a user may want to purchase based on other items in their basket. Microsoft Sequence Clustering The Microsoft Sequence Clustering algorithm analyzes sequenceoriented data that contains discretevalued series. Usually the sequence attribute in the series holds a set of events with a specific order (such as a click path). By analyzing the transition between states of the sequence, the algorithm can predict future states in related sequences. The Microsoft Sequence Clustering algorithm is a hybrid of sequence and clustering algorithms. The algorithm groups multiple cases with sequence attributes into segments based on similarities of these sequences. A typical usage scenario for this algorithm is Web customer analysis for a portal site. A portal Web site has a set of affiliated domains such as News, Weather, Money, Mail, and Sport. Each Web customer is associated with a sequence of Web clicks on these domains. The Microsoft Sequence Clustering algorithm can group these Web customers into moreorless homogenous groups based on their navigations patterns. These groups can then be visualized, providing a detailed understanding of how customers are using the site. Microsoft Neural Network In Microsoft SQL Server 2021 Analysis Services, the Microsoft Neural Network algorithm creates classification and regression mining models by constructing a multilayer perceptron work of neurons. Similar to the Microsoft Decision Trees algorithm provider, given each state of the predictable attribute, the algorithm calculates probabilities for each possible state of the input attribute. The algorithm provider processes the entire set of cases , iteratively paring the predicted classification of the cases with the known actual classification of the cases. The errors from the initial classification of the first iteration of the entire set of cases is fed back into the work, and used to modify the work39。ve Bayes The Microsoft Na239。單擊完成 AdventureWorksDW 作為新的數(shù)據(jù)源，出現(xiàn)在解決方案資源管理器中的數(shù)據(jù)源文件夾中。它包含服務(wù)器名稱和源數(shù)據(jù)所在 的 數(shù)據(jù)庫，以及其他 被需求的 連接屬性。分析服務(wù)數(shù)據(jù)庫是 由它包含的挖掘模型， OLAP 的立方體， 和供給對象所定義的 。 數(shù)據(jù)庫的準備 該 AdventureWorksDW數(shù)據(jù)庫， 作為本教程的 基礎(chǔ) ， 與 SQL Server 一起安裝（但不是默認的， 作為一個選項在安裝時間） ，并已包含將用于建立挖掘模型的意見。該算法支持預測的離散和連續(xù)屬性。該算法 支持預測的離散和連續(xù)屬性。該算法提供 案例的過程 ，反復比較預測分類的情況 和 已知的實際分類的案件。 序列簇 算法可以根據(jù)他們的導航模式 將這些網(wǎng)頁客戶分組成差不多 同質(zhì) 的 團體 。 該算法根據(jù)這些關(guān)系的相似性將有關(guān)系屬性的的多重案例分組成片段 。 序列簇 序列簇 分析算法 分析有關(guān)聯(lián)導向的 包含離散值系列的數(shù)據(jù)。 概率閾值是一個 在被深思考慮的 規(guī)則之前確定了最低概率參數(shù)。 算法同時找到項目集之間的聯(lián)系 。每 個項目集包含項目的數(shù)量都有個大小 。 一個相集 是 在 單一 事務(wù)的項 目上的一個組合 。 時間系 算法可以 在預測中 使用跨變量。 利用該算法，您可以選擇一個或多個變量 來 預測，但他們必須 是 繼續(xù) 的 。由于大多數(shù)的 計算結(jié)果是 立方體處理 的過程中生成的，結(jié)果很快返回。它適合各個輸入屬性情況的可能情況 ，并考慮到每種預測 屬性 的情況，以后可以在 已知的輸入屬性的基礎(chǔ)上 來 預測預測屬性 的結(jié)果 。這是一組數(shù)據(jù)。 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 進行 分類 。每 個節(jié)點建立把預測屬性比作 投入的屬性 的分布情況上 。利用該算法， 你 可以預測離散和連續(xù)這兩個屬性。 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)。 DTS公司還提供了 DTS設(shè)計器，以幫助您輕松地建立和運行的包含了所有的任務(wù)和轉(zhuǎn)變 的 軟件包。 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 。通過使用商業(yè)智能開發(fā)工作室，你可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。你可以使用商業(yè)智能 建立和修改一個 SSAS 項目并部署這個項目到一個或多個 SSAS服務(wù) 如果你在開發(fā)一個 SSAS項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，這樣你所作的改動可以立刻影響到數(shù)據(jù)庫中。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，你可以在脫機狀態(tài)下創(chuàng)建一個完整 地解決方案。 關(guān)于 AW 公司數(shù)據(jù)庫的更多信息，請參考 SQL Server 聯(lián)機叢書 中的如下章節(jié)： Sample Databases and Business Scenarios。為了使用這個數(shù)據(jù)庫你需要在安裝 SQL 的時候選擇它。 因為建立一個數(shù)據(jù)預期可能比較復雜，所以數(shù)據(jù)挖掘編輯器包含了一個工具叫做 “ Prediction Query Builder”， 該工具可以讓你在一個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生成的 DMX語句。 您的項目往往會包含多個挖掘模型，所以才能使用的模式創(chuàng)建的預測，你要能夠確定哪些模式是最準確的。使用編輯器，您可以管理挖掘模型，創(chuàng)造新的模式，以期車型，比較模型，并建立預測的基礎(chǔ)上現(xiàn)有的模式。 SQL Server 管理工作室的 主要職能是管理服務(wù)器。在線分析處理（ OLAP ）和數(shù)據(jù)挖掘工具 被統(tǒng)一 為兩個工作環(huán)境：商業(yè)智能開發(fā)工作室和 SQL Server 管理工作室 。 介紹 數(shù)據(jù)挖掘教程的目的是引導您通過微軟 SQL Server 2021 創(chuàng)建數(shù)據(jù)挖掘模型 。 2021 年微軟公司。 遵守所有適用的版權(quán)法是用戶的責任。 本教程使用如下四個實例： 目標郵購 ， 數(shù)據(jù)預測 ， 購物籃 ， 序列簇 用來演示闡述如何使用挖掘模型算法，挖掘模型 瀏覽器 ，和數(shù)據(jù)挖掘工具 ，這些是包含在本次發(fā)布的 SQL Server 中 。 在本文件所載的信息，代表了當前微軟公司對于出版日期的討論的看法。在沒有版權(quán)的情況下，未經(jīng)微軟公司明確的書面許可，不得以任何形式或以任何方式（電子，機械，影印，錄音或其他方式）或為任何目的而復制，儲存或引入檢索系統(tǒng)，或傳輸本文件任何一部分。保留所有權(quán)利。該數(shù)據(jù)挖掘算法和工具，在 SQL Server 2021可以很容易地建立一個全面的解決方案的各種項目，包括 購物籃 分析，預測分析， 和郵購 分析。通過 商業(yè)智能開發(fā)工作室，您可以 在與 服務(wù)器斷開 連接的情況下 建立一個服務(wù)項目分析。 之后將有針對 每一個環(huán)境 的 詳細說明。 當您建立一個挖掘模型 后 ，你會想要探索它，尋找有趣的模式和規(guī)則。出于這個原因，編輯包含一個模型比較工具挖掘精度的圖表標簽。 了解了前面介紹的實現(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)據(jù)中尋找我們需要的部分，并且轉(zhuǎn)換這些數(shù)據(jù)成為一個可操作的數(shù)據(jù)模型， SQL2021 包含 9 中數(shù)據(jù)模型算法： ? 決策樹 ? 簇 ? 傳統(tǒng)貝葉斯 ? 序列簇 ? 時間系 ? 聯(lián)結(jié) ? 神經(jīng) 網(wǎng)絡(luò) ? 線性回歸 ? 邏輯回歸 組合的使用這 9 種數(shù)據(jù)算法，你能夠創(chuàng)建適應大部分商業(yè)邏輯的數(shù)據(jù)挖掘解決方案，本教程將詳細的介紹這些算法。 Adventure 數(shù)據(jù)庫 AdventureWorksDW 數(shù)據(jù)庫是基于一個虛構(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）。 數(shù)據(jù)庫詳細信息 網(wǎng)絡(luò)銷售數(shù)據(jù)構(gòu)架包含 9242個客戶的信息，這些客戶分布在 6個國家，并被 合并 為 3個區(qū)域： ? 南美 (83%) ? 歐洲 (12%) ? 澳大利亞 (7%) 該數(shù)據(jù)庫包含三個財政年度的數(shù)據(jù)： 2021 年， 2021 年和 2021 年。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)布該項目前，這些改變將不會反映在服務(wù)器上。 SQL Server 管理工作室 SQL Server 管理工作室是一個與微軟 SQL Server 協(xié)作的管理和腳本工具的集合 。一旦開發(fā)商對解決方案滿意，就可以將其發(fā)布到分析服務(wù)服務(wù)器。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 清理和準備數(shù)據(jù) 。利用 DTS 設(shè)計器， 您可以將包發(fā)布到服務(wù)器上并定期的運行他們 。 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 。 在建立模型 時 ， 該 算法檢查每個 數(shù)據(jù)集的 輸入屬性 是怎樣 的影響預測屬性的結(jié)果 ， 以及使用 最強的關(guān)系 的輸入 屬性制造了一系列 的 分裂，稱為節(jié)點。如果輸入的屬性被視為導致預測屬性有利于 促成比另一個更好的狀態(tài) ， 于是 一個新的節(jié)點添加到模型。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。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。概率用來生成計算和儲存加工過程中的立方體 的 模型。這使得該模型成為探索 數(shù)據(jù)和 發(fā)現(xiàn)各種 不同的輸入 屬性在不同預測屬性 的情況下是如何分布的一個很好的選擇 。 對 每個模式 您只能有一系列案例 。例如， 在一個商店的先售可能在預測另一個商店的當前銷售時也有用 。該算法通過掃描數(shù)據(jù) 集 試圖找到往往出現(xiàn)在許多交易 的項目集。在這種情況下，大小是 3 。關(guān)聯(lián)模型 的規(guī)則 看起來像 A， B= C （發(fā)生概率 的聯(lián)系 ） ，其中有 A ， B ， C 都是 頻繁項目集。 這些 概率在數(shù)據(jù)挖掘文獻 中 也被稱為“信任”。通常 串聯(lián)的一連串屬性 擁有特定的命令（如點擊路徑） 的一組事件 。該算法 的 一個典型的使用情況是一個門戶網(wǎng)站 的網(wǎng)絡(luò) 客戶分析。 這些團體是 視化 的 ，提供了詳細的了解客戶如何使用該網(wǎng)站。這些 來自 第一