Podczas badania sekwencji klastrowanie w modelu (Analysis Services — wyszukiwanie danych)

Za pomocą kwerend wysyłanych do zestaw zestaw wierszy schematu wyszukiwanie danych, można znajdować różnego rodzaju informacje o modelu, w tym podstawowe metadane, data i czas, model został utworzony i ostatnio przetwarzane, nazwa konstrukcji wyszukiwania na podstawie modelu oraz kolumna, która jest używana jako atrybut przewidywalne.

Następująca kwerenda zwraca parametry, które były używane do tworzenia i przeszkolić w modelu [Sequence Clustering]. Można utworzyć modelu w 5 lekcji Podstawowe wyszukiwanie danych — samouczek.

SELECT MINING_PARAMETERS 
from $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'Sequence Clustering'

Przykład wyniki:

Należy zauważyć, że ten model został zbudowany przy użyciu domyślnej wartości 10 dla CLUSTER_COUNT.Po określeniu niezerową liczbę klastrów do CLUSTER_COUNT algorytm traktuje ten numer jako wskazówkę dla przybliżoną liczbę klastrów do znalezienia.Jednak w trakcie analizy, algorytm może się okazać klastrów więcej lub mniej.W takim przypadek algorytmu znalezione, że 15 klastrów, najważniejsze mieszczą się w danych szkoleniowych.W związku z tym na liście wartości parametrów dla modelu zakończonych raportów liczba klastrów, oznaczona za pomocą algorytmu, a nie wartość przekazany podczas tworzenia modelu.

Czym różni się to zachowanie od możliwości algorytmu, określają najlepsze liczba klastrów?Jak doświadczenia można utworzyć innego modelu klastrów, korzystającej z tych samych danych, ale CLUSTER_COUNT należy ustawić na 0.W tym celu algorytm wykrywa 32 klastrów.Z tego powodu przy użyciu domyślnej wartości 10 dla CLUSTER_COUNT, ograniczyć liczbę wyniki.

Wartość 10 jest używana domyślnie, ponieważ zmniejszenie liczby klastrów ułatwia większość osób na przeglądanie i zrozumienie grupowania danych.Jednak każdy model i zestaw danych jest inny.Możesz wypróbować różne liczby klastrów, aby wyświetlić wartość parametru, która daje w wyniku najbardziej dokładne modelu.

Powrót do początku

Wyszukiwania model zawartości magazyny sekwencji, które znajdują się w danych szkoleniowych w pierwszym stanie w połączeniu z listą wszystkich powiązanych stanów drugiego.Pierwszym stanie jest używany jako etykiety w serii, a pokrewnych drugiego stanów są nazywane przejścia.

Na przykład poniższa kwerenda zwraca pełną listę stanów pierwszego w modelu, przed sekwencji są grupowane w klastrach.Tej listy można uzyskać, przywracając na liście sekwencji (NODE_TYPE = 13), których modelu głównym węzłem nadrzędnym (PARENT_UNIQUE_NAME = 0).Słowo kluczowe FLATTENED sprawia, że wyniki są łatwiejsze do czytania.

SELECT FLATTENED NODE_UNIQUE_NAME,
(SELECT ATTRIBUTE_VALUE AS [Product 1],
[Support] AS [Sequence Support], 
[Probability] AS [Sequence Probability]
FROM NODE_DISTRIBUTION) AS t
FROM [Sequence Clustering].CONTENT
WHERE NODE_TYPE = 13
AND [PARENT_UNIQUE_NAME] = 0

Częściowe wyniki:

Na liście sekwencji w modelu jest zawsze sortowany alfabetycznie w kolejności rosnącej.Porządkowanie sekwencji jest ważne, ponieważ można znaleźć powiązanych przejścia, patrząc na numer zamówienia w sekwencji.The Missing value is always transition 0.

Na przykład w poprzednich wynikach produkt "Przez kobiety Mountain Shorts" jest numerem 37 w modelu.Można użyć tych informacji do wyświetlenia wszystkich produktów, które kiedykolwiek zostały zakupione od "przez kobiety Mountain Shorts. „

Aby to zrobić, najpierw należy odwołanie wartość zwracana dla NODE_UNIQUE_NAME w poprzedniej kwerendy, aby móc pobrać identyfikator węzła, który zawiera wszystkie sekwencje dla modelu.Tej wartości do kwerendy są przekazywane jako identyfikator węzła nadrzędnego, aby przejść w tym węźle, co się dzieje z zawierają listę al sekwencji dla modelu.Jednak jeśli chce się zobaczyć listę przejść do określonego klastra, może przekazać identyfikator węzła klastra, a Zobacz tylko sekwencji, skojarzone z tym klastrem.

SELECT NODE_UNIQUE_NAME
FROM [Sequence Clustering].CONTENT
WHERE NODE_DESCRIPTION = 'Transition row for sequence state 37'
AND [PARENT_UNIQUE_NAME] = '1081327'

Przykład wyniki:

Węzeł, reprezentowane przez ten identyfikator zawiera listę sekwencje, które należy wykonać produktu "Mountain przez kobiety Shorts" wraz z wartościami pomocy technicznej i prawdopodobieństwo.

SELECT FLATTENED
(SELECT ATTRIBUTE_VALUE AS Product2,
[Support] AS [P2 Support],
[Probability] AS [P2 Probability]
FROM NODE_DISTRIBUTION) AS t
FROM [Sequence Clustering].CONTENT
WHERE NODE_UNIQUE_NAME = '1081365'

Przykład wyniki:

Należy zauważyć, że obsługa sekwencji różnych, powiązanych z Shorts Mountain przez kobiety 506 w modelu.Wartości pomocy technicznej dla przejścia także dodać do 506.Jednak numery nie są liczby całkowite, które wydaje się nieco nieparzystej, jeżeli oczekujesz, że obsługa po prostu reprezentująca liczbę przypadków, zawierające każdego przejścia.Jednak ponieważ metoda tworzenia klastrów oblicza częściowe członkostwa, prawdopodobieństwo wszelkie przejścia w klastrze musi ważone przez jego prawdopodobieństwo należących do określonego klastra.

Na przykład jeśli istnieją cztery klastrów, określonej sekwencji może być szansę 40 % należących do klastra 1, szansę 30 % należących do klastra 2, 20 % szansę należących do klastra 3 i szansę 10 % należących do klastra 4.Po algorytm określa przejścia jest przeważnie może należeć do klastra, przeprowadzi prawdopodobieństw w klastrze przez wcześniejsze prawdopodobieństwo klastra.

Powrót do początku

Można wyświetlić te przykłady kwerendy będącej złożonych informacji przechowywanych w modelu i może być konieczne utworzenie wielu kwerendy w celu uzyskania informacji, które są potrzebne.Jednak przeglądarkę Microsoft sekwencji usługa klastrowania zapewnia zaawansowany zestaw narzędzi graficznie przeglądanie informacji zawartych w kolejności od klastrowanie modelu i umożliwia także Podgląd wyszukiwania i przechodzić do modelu.

W większości przypadków informacje, które są prezentowane w przeglądarce Microsoft sekwencji usługa klastrowania jest tworzony przy użyciu usług Analysis Services procedury składowane w systemie kwerendy w modelu.Można zapisywać kwerend wyszukiwania rozszerzenia danych (DMX) względem zawartość modelu, aby pobrać te same informacje, jednak usług Analysis Services procedury składowane w systemie zapewniają wygodny skrótów po eksploracji lub do testowania modeli.

W tej części podano niektóre przykłady używania procedur przechowywanych system do tworzenia kwerend względem sekwencji klastrowanie modelu:

Powrót do początku

Profile klastra i przykładowe sprawy

CALL System.Microsoft.AnalysisServices.System.DataMining.Clustering.GetNodeGraph('Sequence Clustering','12',0)

CALL System.Microsoft.AnalysisServices.System.DataMining.Clustering.GetNodeGraph('Sequence Clustering','',0)

SELECT * FROM [Sequence Clustering].SAMPLE_CASES WHERE IsInNode('12')

Właściwości klastra i klastra dyskryminacji

CALL System.Microsoft.AnalysisServices.System.DataMining.Clustering.GetClusterCharacteristics('Sequence Clustering','12',0.0005)

CALL System.Microsoft.AnalysisServices.System.DataMining.Clustering.GetClusterCharacteristics('Sequence Clustering','',0.0005)

CALL System.Microsoft.AnalysisServices.System.DataMining.Clustering.GetClusterDiscrimination('Sequence Clustering','1','12',0.0005,true)

Państwa i przejścia

Można użyć PredictSequence (DMX) funkcja służy do przewidywania następnego stanu najprawdopodobniej danej wartości. Również można przewidzieć wielu następnego stanów: na przykład można przywrócić wykaz najwyższego trzy produkty, które klient prawdopodobnie do zakupu, aby przedstawić listę zaleceń.

W następującej kwerendzie przykładowej jest pojedyncza kwerendę przewidywanie, która zwraca górną prognoz pięciu wraz z ich prawdopodobieństwa.Ponieważ model zawiera zagnieżdżoną tabela, należy użyć tabela zagnieżdżonej [v Assoc Seq Line Items], jak odwołanie do kolumna podczas wprowadzania prognoz. Ponadto, gdy wartości są podane jako danych wejściowych, należy dołączyć zarówno przypadek tabela, jak i kolumny tabela zagnieżdżonej przedstawiony zagnieżdżonych instrukcji SELECT.

SELECT FLATTENED PredictSequence([v Assoc Seq Line Items], 7)
FROM [Sequence Clustering]
NATURAL PREDICTION JOIN
(SELECT  (SELECT 1 as [Line Number],
   'All-Purpose Bike Stand' as [Model]) AS [v Assoc Seq Line Items]) 
AS t

Przykład wyniki:

Istnieją trzy kolumna w wynikach, nawet wtedy, gdy tylko może oczekiwana jednej kolumnie, gdyż zawsze zwraca kolumna przypadek tabela.W tym miejscu są spłaszczane wyniki; w przeciwnym razie kwerenda zwróci pojedyncza kolumna, która zawiera dwie kolumny tabela zagnieżdżonej.

Sekwencja $ kolumna jest zwracany domyślnie przez kolumna PredictSequence Funkcja w celu uporządkowania wyniki przewidywanie. kolumna [Line Number], wymagana jest dostosowując do sekwencji klawiszy w modelu, ale klucze nie są dane wyjściowe.

Interestingly górny sekwencji przewidywane po All-Purpose Bike wstrzymania są cykliczne wielkich liter i cykliczne wielkich liter.Nie jest błąd.W zależności od tego, w jaki sposób przedstawiania danych do klienta i sposób grupowania, kiedy szkolenia w modelu jest bardzo może być sekwencji tego typu.Na przykład klient może zakupu cycling wpuszczone (czerwony) i następnie innego cykliczne Caps (niebieski) lub w wierszu zakupu, gdyby można określić ilość.

Wartości w wierszach, 6 i 7 są symbolami zastępczymi.Po osiągnięciu ostatniego łańcucha możliwe przejścia, a nie powoduje zakończenie przewidywanie, wartość, która została przekazana jako dane wejściowe są dodawane do wyniki.Na przykład jeżeli zwiększeniu numeru prognoz do 20, wartości dla wierszy 6-20 wszystkie będzie taka sama, All-Purpose Bike wstrzymania.

Powrót do początku