瀏覽決策樹模型 (基本資料採礦教學課程)

適用於： SQL Server 2016 Preview

Microsoft 決策樹演算法會根據定型集中的其餘資料行，預測哪些資料行影響了自行車的購買決策。

Microsoft 決策樹檢視器提供下列索引標籤，用來瀏覽決策樹採礦模型︰

決策樹

相依性網路

決策樹索引標籤

在 決策樹 索引標籤上，您可以檢視每個可預測屬性的決策樹中的資料集。

在此情況下，此模型預測只有一個資料行，Bike Buyer，因此只有一個樹狀結構檢視。如果有多個樹狀結構，您可以使用 樹狀結構 方塊以選擇其他樹狀結構。

當您檢視 TM_Decision_Tree 模型在決策樹檢視器中，您可以看到圖表的左側最重要的屬性。「最重要」表示這些屬性對於結果的影響最大。沿著樹狀結構 (位於圖表右側) 愈往下的屬性其影響愈小。

在此範例中，年齡是預測自行車購買行為時最重要的一項因素。模型會依年齡將客戶分組，然後顯示每個年齡群組的下一個最重要屬性。例如，就客戶年齡層在 34 歲到 40 歲的群組來說，擁有車輛數是排在年齡後面的最強預測指標。

若要在決策樹索引標籤中瀏覽模型

選取 採礦模型檢視器 索引標籤中 資料採礦設計師。

根據預設，設計師會開啟第一個模型，在此情況下，加入到結構 TM_Decision_Tree。
使用放大鏡按鈕調整樹狀結構顯示大小。

依預設，Microsoft 樹狀檢視器只顯示樹狀結構的前 3 個層級。如果樹狀結構的層級不到 3 個，則檢視器只顯示現有的層級。您可以使用，以檢視更多層級 顯示層級 滑桿或 預設展開 清單。
投影片 顯示層級 到第四個列。
將 [背景] 值變更為 1。

藉由變更背景設定，您可以迅速查看每個節點都有目標值的案例數目 1 之 [Bike Buyer]。請記住，在這個特定案例中，每個案例都代表一個客戶。值 1 表示客戶先前購買自行車，值 0 表示客戶尚未購買自行車。節點的陰影愈深，表示節點中擁有目標值的案例百分比愈高。
將游標放在標示的節點上方所有。隨即出現工具提示，顯示下列資訊：
- 案例總數
- 非自行車購買者的案例數目
- 自行車購買者的案例數目
- 遺漏 [Bike Buyer] 值的案例數目
或者，將滑鼠游標放在樹狀結構其中任何一個節點上方，查看從前一個節點到達該節點所需的條件。您也可以檢視在此相同資訊 採礦圖例。
按一下節點 Age > = 34 and < 41。其長條圖會顯示為一個橫跨節點的細長水平橫條，並表示在此年齡範圍中，已購買 (粉紅色) 或未購買 (藍色) 自行車的客戶分佈狀況。檢視器顯示出年齡介於 34 到 40，只有一台車子或沒有車子的客戶有可能購買自行車。再進一步研究，我們可以發現如果客戶年齡落在 38 到 40 歲，購買自行車的可能性又更高。

由於您在建立結構和模型時已啟用鑽研，因此您可以從模型案例和採礦結構中擷取詳細資訊，包括未包含在採礦模型中的資料行 (例如 emailAddress 和 FirstName)。

如需詳細資訊，請參閱鑽研查詢 (資料採礦)。

若要鑽研案例資料

以滑鼠右鍵按一下節點，然後選取鑽研然後 僅模型資料行。

各定型案例的詳細資訊會以試算表格式顯示。這些詳細資料來自您在建立採礦結構時，選取為案例資料表的 vTargetMail 檢視。
以滑鼠右鍵按一下節點，然後選取鑽研然後 模型和結構資料行。

隨即顯示相同的資料表，且結尾附加結構資料行。

回到頁首

[相依性網路] 索引標籤

相依性網路 索引標籤會顯示採礦模型的預測能力有所幫助的之間的關聯性。相依性網路檢視器更加印證我們的發現，也就是在預測自行車購買行為時，年齡和地區是重要的因素。

若要在相依性網路索引標籤中瀏覽模型

按一下 [ Bike Buyer 節點以找出其相依性。

相依性網路的中央節點 Bike Buyer, ，代表採礦模型中的可預測屬性。圖形會反白顯示對可預測屬性有影響的任何相連節點。
調整 所有連結 滑動軸來識別最具影響力的屬性。

當您拖曳滑桿下，從圖形中移除具有弱式效果 [Bike Buyer] 資料行上的屬性。藉由調整滑動軸，您可以發現年齡和地區是預測自行車購買者的最大因素。

本課程的下一項工作

瀏覽群集模型 & #40。基本資料採礦教學課程 )

另請參閱

採礦模型檢視器工作和使用說明
 決策樹索引標籤 (採礦模型檢視器)
相依性網路索引標籤 (採礦模型檢視器)
使用 Microsoft 樹狀檢視器瀏覽模型

Last updated on 2017-03-13

共用方式為