共用方式為

探索撥接中心模型 (中繼資料採礦教學課程)

現在您已經建立了探勘模型，您可以使用 SQL Server Data Tools (SSDT) 所提供的下列工具深入了解您的資料。

  • Microsoft 類神經網路檢視器**：**此檢視器可從資料採礦設計師的 [採礦模型檢視器] 索引標籤中取得，其設計在於協助您試驗資料中的互動性。

  • Microsoft 一般內容樹狀檢視器**：**這個標準的檢視器在演算法產生模型時，為所發現的模式和統計資料提供深入的詳細資料。

Microsoft 類神經網路檢視器

此檢視器包含三個窗格 - [輸入]、[輸出] 和 [變數]。

您可以使用 [輸出] 窗格，針對可預測的屬性或相依變數選取不同的值。 如果您的模型包含多個可預測的屬性，您可以從 [輸出屬性] 清單中選取屬性。

[變數] 窗格會比較您針對提供之屬性或變數選擇的兩個結果。 彩色列以視覺方式表示變數影響目標結果的強度。 您也可以檢視變數的增益分數。 增益分數會根據您所使用的採礦模型類型而有不同的計算方式，但在使用此屬性進行預測時，通常會告訴您模型的增進部分。

[輸入] 窗格可讓您將影響因數加入到模型中，以嘗試各種假設狀況。

使用輸出窗格

在此初始模型中，您可能有興趣想要查看各種因數如何影響服務等級。 若要這樣做，您可以從輸出屬性的清單選取 [Service Grade]，然後從 [值 1] 和 [值 2] 的下拉式清單中選取範圍，藉以比較不同的服務等級。

若要比較最低和最高的服務等級

  1. 為 [值 1] 選取最低的值範圍。 例如，範圍 0-0-0.7 表示最低的放棄率，因此是最佳的服務等級。

    [!附註]

    在此範圍中的實際值可能會隨著您設定模型的方式而有所不同。

  2. 為 [值 2] 選取最高的值範圍。 例如，值為 >=0.12 的範圍表示最高的放棄率，因此是最差的服務等級。 換句話說，在此排班期間打電話的客戶之中，有 12% 的客戶在與服務人員通話前，就會掛斷電話。

    [變數] 窗格的內容會更新並比較影響結果值的屬性。 因此，左側資料行會顯示與最佳服務等級相關聯的屬性，而右側資料行則顯示與最差服務等級相關聯的屬性。

使用變數窗格

在此模型中，[每個問題的平均時間] 是一個重要的因數。 此變數表示回應通話所需的平均時間，無論通話類型為何。

若要檢視與複製屬性的機率和增益分數

  1. 在 [變數] 窗格中，將滑鼠放在第一個資料列的彩色列上方。

    這個彩色列會顯示 [每個問題的平均時間] 對於服務等級的影響強度。 工具提示會針對變數和目標結果的每個組合，顯示整體分數、機率，以及增益分數。

  2. 在 [變數] 窗格中，以滑鼠右鍵按一下任何彩色列，然後選取 [複製]。

  3. 在 Excel 工作表中，以滑鼠右鍵按一下任何資料格，並選取 [貼上]。

    此報表就會貼上為 HTML 表格，並僅顯示每列的分數。

  4. 在不同的 Excel 工作表中，以滑鼠右鍵按一下任何資料格，並選取 [選擇性貼上]。

    此報表會以文字格式貼上，並包含下節所描述的相關統計資料。

使用輸入窗格

假設您有興趣查看特定因數的效果，例如排班或操作員數目。 您可以使用 [輸入] 窗格選取一個特定的變數，[變數] 窗格便會自動更新，並在指定此變數的條件下比較先前選取的兩個群組。

若要變更輸入屬性來檢閱對於服務等級的效果

  1. 在 [輸入] 窗格的 [屬性] 中，選取 [Shift]。

  2. 在 [值] 中，選取 [AM]。

    [變數] 窗格會更新以顯示排班為 AM 時，對模型的影響。 其他所有選項則維持相同，也就是說，您仍是比較最低和最高服務等級。

  3. 在 [值] 中，選取 [PM1]。

    [變數] 窗格會更新以顯示排班變更時，對模型的影響。

  4. 在 [輸入] 窗格中，按一下 [屬性] 底下的下一個空白資料列，然後選取 [Calls]。 在 [值] 中，選取表示最大通話數的範圍。

    新的輸入條件就會加入至清單中。 [變數] 窗格會更新以顯示通話量最高時，對特定排班之模型的影響。

  5. 繼續變更 [Shift] 和 [Calls] 的值，以尋找排班、通話量，以及服務等級之間任何有趣的相互關聯。

    [!附註]

    若要清除 [輸入] 窗格，好讓您可以使用不同的屬性，請按一下 [重新整理檢視器內容]。

解譯檢視器中所提供的統計資料

較長的等待時間是一項代表高放棄率的準確預測指標，同時也意味著較差的服務等級。 這似乎是一個明顯的結論，不過，採礦模型會提供您一些額外的統計資料以協助您解譯這些趨勢。

  • 分數：這個值表示變數對於區別不同結果的整體重要性。 分數越高，表示變數對於結果的效果越強。

  • 值 1 的機率：表示此結果為這個值的機率百分比。

  • 值 2 的機率：表示此結果為這個值的機率百分比。

  • 值 1 的增益與值 2 的增益：這個分數表示使用這個特定變數來預測值 1 和值 2 結果時所產生的影響。 分數越高，表示變數越能預測結果。

下表包含最重要之影響因數的一些範例值。 例如，值 1 的機率為 60.6%，而值 2 的機率為 8.30%，表示當 [Average Time Per Issue] 的範圍是 44-70 分鐘時，60.6% 的案例位於最高服務等級 (值 1) 的排班中，而 8.30% 的案例位於最差服務等級 (值 2) 的排班中。

從這個資訊中，您可以得到一些結論。 較短的通話回應時間 (範圍是 44-70) 對於較佳的服務等級 (範圍是 0.00-0.07) 有強大的影響。 此分數 (92.35) 表示這個變數非常重要。

不過，當您向下查看影響的因數清單時，可以看到一些其他的因數，以及比較不容易理解也比較難解譯的效果。 例如，排班似乎會影響服務，但是增益分數和相對機率卻指出排班不是主要的因數。

屬性

值

喜好 < 0.07

喜好 >= 0.12

每個問題的平均時間

89.087 - 120.000

  

分數：100

值 1 的機率：4.45 %

值 2 的機率：51.94 %

值 1 的增益：0.19

值 2 的增益：1.94

每個問題的平均時間

44.000 - 70.597

分數：92.35

值 1 的機率：60.06 %

值 2 的機率：8.30 %

值 1 的增益：2.61

值 2 的增益：0.31

  

回到頁首

Microsoft 一般內容樹狀檢視器

此檢視器可用於在處理模型時，檢視由演算法所建立的更詳細資訊。 [Microsoft 一般內容樹狀檢視器] 會將採礦模型表示為一系列的節點，其中每個節點代表所學習到有關定型資料的知識。 此檢視器可以搭配所有模型使用，但是節點的內容會隨著模型類型而有所不同。

在類神經網路模型或羅吉斯迴歸模型中，您可能會發現 marginal statistics node 特別實用。 此節點包含關於資料中值分佈的衍生統計資料。 如果您想要得到資料的摘要，但是不想撰寫許多 T-SQL 查詢，此資訊就非常有幫助。 在前一個主題中分類收納值的圖表便是衍生自臨界統計資料節點。

若要從採礦模型取得資料值的摘要

  1. 在資料採礦設計師的 [採礦模型檢視器] 索引標籤中，選取 <採礦模型名稱>。

  2. 從 [檢視器] 清單中，選取 [Microsoft 一般內容樹狀檢視器]。

    採礦模型的檢視會重新整理，在左窗格中顯示節點階層，並在右窗格中顯示 HTML 表格。

  3. 在 [節點標題] 窗格中，按一下名稱為 10000000000000000 的節點。

    模型中任何最頂部的節點永遠是模型根節點。 在類神經網路或羅吉斯迴歸模型中，位於該節點正下方的節點是臨界統計資料節點。

  4. 在 [節點詳細資料] 窗格中向下捲動，直到您找到資料列 NODE_DISTRIBUTION。

  5. 向下捲動到 NODE_DISTRIBUTION 資料表以檢視如類神經網路演算法所計算的值分佈。

若要在報表中使用這個資料，您可以選取然後複製特定資料列的資訊，或者也可以使用下列資料採礦延伸模組 (DMX) 查詢來擷取節點的完整內容。

SELECT * 
FROM [Call Center EQ4].CONTENT
WHERE NODE_NAME = '10000000000000000'

您也可以使用 NODE_DISTRIBUTION 資料表中的節點階層與詳細資料來周遊類神經網路中的個別路徑，並檢視隱藏層的統計資料。 如需詳細資訊，請參閱＜類神經網路模型查詢範例＞。

回到頁首

本課程的下一項工作

將羅吉斯迴歸模型加入到撥接中心結構 (中繼資料採礦教學課程)

請參閱

工作

變更採礦模型中的資料行離散化

參考

類神經網路模型的採礦模型內容 (Analysis Services - 資料採礦)

Microsoft 類神經網路演算法技術參考

概念

類神經網路模型查詢範例

  • Last updated on