Podczas badania logistyczne regresja modelu (Analysis Services — wyszukiwanie danych)

Za pomocą kwerend wysyłanych do zestaw zestaw wierszy schematu wyszukiwanie danych, można znaleźć metadane dotyczące modelu, takie jak jego utworzenia, podczas ostatniego przetworzenia modelu, nazwa struktura wyszukiwania na podstawie modelu i nazwę kolumna, używane jako atrybut przewidywalne.W poniższym przykładzie zwraca parametry, które były używane, gdy najpierw została utworzona w modelu, łącznie z nazwą i typ modelu, oraz dzień, w którym został utworzony.

SELECT MODEL_NAME, SERVICE_NAME, DATE_CREATED, MINING_PARAMETERS 
FROM $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'Call Center_LR'

Przykładowe wyniki:

Powrót do początku

Następująca kwerenda zwraca niektóre podstawowe informacje o modelu regresja logistyczne.Ten model został utworzony za pomocą dwóch przewidywalne atrybuty, które można wyodrębnić z zawartością modelu za pomocą następującej kwerendy.Należy pamiętać, że model logistyczne regresja jest podobny do modelu neuronowe sieci na wiele sposobów, włączając w to obecność węzeł Statystyka marginalna (NODE_TYPE = 24), zawiera opis wartości używanych jako danych wejściowych.W związku z tym pobierając je z tabela zagnieżdżonej NODE_DISTRIBUTION można znaleźć wartości wszystkie możliwe dane wejściowe.

SELECT FLATTENED NODE_DISTRIBUTION AS t
FROM [TM_Logistic Regression].CONTENT 

Częściowe wyniki:

Rzeczywiste kwerenda zwraca dużo więcej wierszy, jednak w tym przykładzie zestawiono typy dostarczonych informacji o danych wejściowych.Na przykład w związku z ciągłą dane wejściowe są discretized każda możliwa wartość discrete wartość znajduje się w tabela.Aby uzyskać więcej informacji na temat korzystania z informacji w węźle marginalna statystyki zobacz model wyszukiwania Zawartości dla logistyczne modele regresji (Analysis Services — wyszukiwanie danych).

Powrót do początku

Ponieważ logistyczne regresja obsługuje korzystanie z ciągłą atrybutów dla obu danych wejściowych i przewidywanie, można łatwo tworzyć modele, które skorelować różnych czynników, w danych.Za pomocą kwerendy przewidywanie przeszukiwać relację między tymi.

Następująca kwerenda jest pojedyncza kwerendę prognozuje jakości usługa dla przesunięcia w piątek AM.The PredictHistogram (DMX) funkcja returns a nested tabela that provides statistics relevant to understanding the validity of the predicted value.

SELECT
  Predict([Call Center_LR].[Service Grade]) as Predicted ServiceGrade,
  PredictHistogram([Call Center_LR].[Service Grade]) as [Results],
FROM
  [Call Center_LR]
NATURAL PREDICTION JOIN
(SELECT 'Friday' AS [Day Of Week],
  'AM' AS [Shift]) AS t

Przykładowe wyniki:

Aby uzyskać więcej informacji na temat tego rozkładu, obsługa i odchylenie standardowe wartości w tabela zagnieżdżonej NODE_DISTRIBUTION zobacz model wyszukiwania Zawartości dla logistyczne modele regresji (Analysis Services — wyszukiwanie danych).

Powrót do początku

Logistyczne regresja jest zazwyczaj używany w scenariuszach miejsce, w które chcesz analizować czynników, które przyczyniają się do wyniku binarne.Mimo że oryginalny model używany w samouczku przewidywane wartości ciągły, w scenariuszu życia rzeczywistym zachodzi potrzeba zestaw up modelu, więc tej klasy usługa spełnione pewne wartości miejsce docelowe i nie może spełnić tego paska.Można również grupować przewidywanych wyników do Dobra, Uczciwej, or Niska.Aby zmienić sposób zgrupowanych atrybut przewidywalny, utworzyć kopię struktura wyszukiwania, a następnie zmień metoda discretization.Poniższa procedura opisuje sposób zmiany grupowanie wartości usługa kategorii w danych Centrum wywołania.

Aby utworzyć discretized wersja struktura wyszukiwania Centrum wywołań i modele

W następującej kwerendzie przykładowej opiera się na tym modelu discretized i przewiduje jakości usług na dany dzień tygodnia, wraz z nimi prawdopodobieństwa dla każdego przewidywanego wyniku.

SELECT
  (PredictHistogram([Call Center_LR 1].[Service Grade])) as [Predictions]
FROM
  [Call Center_LR 1]
NATURAL PREDICTION JOIN
(SELECT 'Saturday' AS [Day Of Week]) AS t  

Oczekiwane wyniki:

Uwaga Aby przewidywalne wyniki zostały zgrupowane w trzech kategoriach określonych; jednak te grupy są oparte na klastrowanie rzeczywistych wartości w danych, a nie dowolny wartości, które zestaw jako cele biznesowe.

Powrót do początku