【正文】 ute, therefore allowing you to predict the oute of the predicted attribute. Microsoft Clustering The Microsoft Clustering algorithm uses iterative techniques to group records from a dataset into clusters containing similar characteristics. Using these clusters, you can explore the data, learning more about the relationships that exist, which may not be easy to derive logically through casual observation. Additionally, you can create predictions from the clustering model created by 10 the algorithm. For example, consider a group of people who live in the same neighborhood, drive the same kind of car, eat the same kind of food, and buy a similar version of a product. This is a cluster of data. Another cluster may include people who go to the same restaurants, have similar salaries, and vacation twice a year outside the country. Observing how these clusters are distributed, you can better understand how the records in a dataset interact, as well as how that interaction affects the oute of a predicted attribute. Microsoft Na239。該算法支持預(yù)測的離散和連續(xù)屬性。該算法支持預(yù)測連續(xù)屬性。該算法同時(shí)支持離散和連續(xù)屬性的預(yù)測。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。 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。 Microsoft時(shí)序算法 可以用其預(yù)測交叉變量的相關(guān)性。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。 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。 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。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。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。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。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。這是一組數(shù)據(jù)。此外，您也可以從算法創(chuàng)建的簇建立預(yù)測模型。 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。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)。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。隨著新節(jié)點(diǎn)添加到模型中，樹狀結(jié)構(gòu)開始形成。利用該算法，你可以預(yù)測離散和連續(xù)這兩個(gè)屬性。欲了解更多有關(guān)算法及其參數(shù)調(diào)整的信息，請參看 SQL Server聯(lián)機(jī)叢書中的“數(shù)據(jù)挖掘算法”。 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)。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。 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。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。 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 。 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。通過使用商業(yè)智能開發(fā)工作室，你可3 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。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。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。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。 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。 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。 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。 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）。 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)2 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。 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，請參考 SQL BOL中的 “ Data Mining Extensions (DMX) Reference”章節(jié)。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。如需觀眾的信息，請參看 SQL Server聯(lián)機(jī)叢書中的“查看數(shù)據(jù)挖掘模型”。 當(dāng)你創(chuàng)建一個(gè)挖掘模型，你會(huì)想要去探索它，尋找有趣的模式和規(guī)則。 數(shù)據(jù)挖掘工具都存在于數(shù)據(jù)挖掘的編輯。之后將有針對每一個(gè)環(huán)境的詳細(xì)說明。您也可以直接面向服務(wù)器工作。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(gè)服務(wù)項(xiàng)目分析。 SQL Server 2021最明顯的部分是用來創(chuàng)建和處理數(shù)據(jù)挖掘模型的工作室。數(shù)據(jù)挖掘算法，并在 SQL Server 2021工具 可以很容易地建立一個(gè)項(xiàng)目，包括市場購物籃分析各種全面的解決方案，預(yù)測分析，有針對性的郵件分析。本教程使用的四種情況： 有針對性的郵件 預(yù)測； 順序分析和聚 類；演示如何使用挖掘模型算法； 挖掘模型查看器和數(shù)據(jù)挖掘工具。 畢業(yè)設(shè)計(jì) (論文 ) 外文文獻(xiàn)翻譯 專業(yè) 計(jì)算機(jī)科學(xué)與技術(shù) 學(xué) 生 姓 名 班級(jí) 學(xué)號(hào) 指 導(dǎo) 教 師 博雅 學(xué)院 1 中文譯文 數(shù)據(jù)挖掘技術(shù)簡介 摘要 ：微軟 174。 SQL Server?2021 中 提供用 于創(chuàng)建和使用數(shù)據(jù)挖掘模型的集成環(huán)境的工作。 介紹 數(shù)據(jù)挖掘教程旨在通過創(chuàng)建走在 Microsoft SQL Server 2021的 數(shù)據(jù)挖掘 模型的過程。這些解決方案的情景更詳細(xì)的解釋在后面的教程。在線分析處理（ OLAP ）和數(shù)據(jù)挖掘工具被統(tǒng)一為兩個(gè)工作環(huán)境：商業(yè)智能開發(fā)工作室和 SQL Server 管理工作室。當(dāng)項(xiàng)目已經(jīng)準(zhǔn)備就緒，您可以發(fā)布到 服務(wù)器上。 SQL Server 管理工作室的主要職能是管理服務(wù)器。欲了解更多關(guān)于從兩個(gè)環(huán)境中選擇的信息，請參看 SQL Server聯(lián)機(jī)叢書中的“在 SQL Server 工作室和商業(yè)智能開發(fā)工作室中選擇”。使用編輯器，您可以管理挖掘模型，創(chuàng)造新模式，查看模型，比較模型，并建立在現(xiàn)有模型的預(yù)測。在編輯器中的每個(gè)挖掘模型查看器是自定義進(jìn)行探討，以特定的 算法建立的模型。 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。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。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)