Modellieren von Flags (Data Mining)

Gilt für: SQL Server 2019 und frühere Analysis Services Azure Analysis Services Fabric/Power BI Premium

In SQL Server SQL Server Analysis Services geben Modellierungskennzeichnungen einem Data Mining-Algorithmus weitere Informationen zu den Daten in einer Falltabelle. Der Algorithmus verwendet diese Informationen, um ein genaueres Data Mining-Modell zu erstellen.

Sie definieren einige Modellierungsflags auf der Ebene der Miningstruktur und andere auf der Ebene der Miningmodellspalte. Verwenden Sie beispielsweise das Modellierungskennzeichen NOT NULL bei Miningstrukturspalten. Der Algorithmus, den Sie zum Erstellen des Modells verwenden, bestimmt, welche zusätzlichen Modellierungskennzeichnungen Sie für Miningmodellspalten definieren können.

Liste der Modellierungs-Flags

SQL Server Analysis Services unterstützt die folgenden Modellierungskennzeichnungen. Informationen zu Flags, die bestimmte Algorithmen unterstützen, finden Sie in der technischen Referenz für den Algorithmus, der das Modell erstellt.

NICHT NULL
Gibt an, dass die Attributspalte keine NULL-Werte enthalten kann. Während der Modellschulung gibt SQL Server Analysis Services einen Fehler zurück, wenn in dieser Spalte ein Nullwert auftritt.

MODEL_EXISTENCE_ONLY
Behandelt die Spalte mit zwei Zuständen: Fehlender und vorhandener Zustand. Wenn der Wert NULL ist, behandelt der Algorithmus ihn als fehlt. Das flag MODEL_EXISTENCE_ONLY gilt für das vorhersagbare Attribut, und die meisten Algorithmen unterstützen das Flag.

Wenn Sie das attribut MODEL_EXISTENCE_ONLY auf "True" festlegen, stellt das Modell Werte mit nur zwei Zuständen dar: Fehlende und vorhandene. Es kombiniert alle nicht fehlenden Zustände zu einem einzigen Bestehend-Wert.

Eine typische Verwendung für dieses Modellierungsflagge wäre in Attributen, für die der NULL-Zustand eine implizite Bedeutung hat, und der explizite Wert des NOT NULL-Zustands ist möglicherweise nicht so wichtig wie die Tatsache, dass die Spalte einen Wert aufweist. Eine [DateContractSigned]-Spalte kann z. B. NULL sein, wenn ein Vertrag nie unterzeichnet wurde und NOT NULL , wenn der Vertrag unterzeichnet wurde. Wenn das Modell daher beabsichtigt, vorherzusagen, ob ein Vertrag unterzeichnet wird, können Sie das kennzeichen MODEL_EXISTENCE_ONLY verwenden, um den genauen Datumswert in den NOT NULL-Fällen zu ignorieren und nur zwischen Fällen zu unterscheiden, in denen ein Vertrag fehlt oder vorhanden ist.

Regressor
Das REGRESSOR-Flag markiert die Spalte bei der Verarbeitung als Kandidaten-Regressor. Verwenden Sie dieses Kennzeichen nur für eine Miningmodellspalte, die einen fortlaufenden numerischen Datentyp aufweist. Weitere Informationen finden Sie unter Verwendung des REGRESSOR-Modellierungsflags.

Anzeigen und Ändern von Modellierungskennzeichnungen

Zeigen Sie die Modellierungsflags für eine Spalte einer Miningstruktur oder eines Modells in den Eigenschaften der Struktur bzw. des Modells im Data Mining Designer an.

Um die Modellierungskennzeichnungen für die aktuelle Miningstruktur zu überprüfen, fragen Sie das Data Mining-Schema-Rowset ab. Die folgende Abfrage gibt nur Kennzeichnungen für Strukturspalten zurück.

SELECT COLUMN_NAME, MODELING_FLAG  
FROM $system.DMSCHEMA_MINING_STRUCTURE_COLUMNS  
WHERE STRUCTURE_NAME = '<structure name>'  

Sie können die in einem Modell verwendeten Modellkennzeichnungen hinzufügen oder ändern, indem Sie den Data Mining-Designer verwenden und die Eigenschaften der zugehörigen Spalten bearbeiten. Für solche Änderungen muss die Struktur oder das Modell neu verarbeitet werden.

Geben Sie Modellierungsflags in einer neuen Miningstruktur oder einem neuen Modell mithilfe von DMX-, AMO- oder XMLA-Skripten an. DMX kann die Modellierungskennzeichen in einem vorhandenen Miningmodell oder einer vorhandenen Struktur nicht ändern. Erstellen Sie stattdessen ein Miningmodell mit ALTER MINING STRUCTURE ... ADD MINING MODEL.

Einsatzmöglichkeiten des REGRESSOR-Modellierungs-Flags

Wenn Sie die Modellierungskennzeichnung REGRESSOR für eine Spalte festlegen, geben Sie an, dass die Spalte potenzielle Regressoren enthält. Der Algorithmus bestimmt, welche Regressoren das Modell verwendet, und verwirft alle, die das vorhersagbare Attribut nicht modellieren.

Wenn Sie ein Modell mithilfe des Data Mining-Assistenten erstellen, werden alle fortlaufenden Eingabespalten als mögliche Regressoren gekennzeichnet. Selbst wenn Sie das REGRESSOR-Flag nicht explizit für eine Spalte festlegen, wird die Spalte möglicherweise als Regressor im Modell verwendet.

Sie können die Regressoren ermitteln, die tatsächlich im verarbeiteten Modell verwendet wurden, indem Sie eine Abfrage für das Schema-Rowset für das Miningmodell ausführen, wie im folgenden Beispiel gezeigt:

SELECT COLUMN_NAME, MODELING_FLAG  
FROM $system.DMSCHEMA_MINING_COLUMNS  
WHERE MODEL_NAME = '<model name>'  

Hinweis Nachdem Sie den Inhaltstyp einer Miningspalte von fortlaufend in diskret geändert haben, ändern Sie das Flag der Spalte manuell, und verarbeiten Sie das Modell erneut.

Regressoren in linearen Regressionsmodellen

Lineare Regressionsmodelle basieren auf dem Microsoft Decision Trees-Algorithmus. Auch wenn Sie den Microsoft Linear Regressionsalgorithmus nicht verwenden, kann jedes Entscheidungsstrukturmodell eine Struktur oder Knoten enthalten, die eine Regression für ein fortlaufendes Attribut darstellen.

Daher müssen Sie in diesen Modellen nicht angeben, dass eine fortlaufende Spalte einen Regressor darstellt. Der Microsoft Decision Trees-Algorithmus partitioniert das Dataset in Regionen mit aussagekräftigen Mustern, auch wenn Sie das REGRESSOR-Flag in der Spalte nicht festlegen. Der Unterschied besteht darin, dass der Algorithmus, wenn Sie das Modellierungs-Flag setzen, versucht, Regressionsgleichungen der folgenden Form zu finden, um die Muster in den Knoten des Baums anzupassen.

a*C1 + b*C2 + ...

Der Algorithmus berechnet die Summe der Reste. Wenn die Abweichung zu groß ist, erzwingt der Algorithmus eine Aufspaltung im Baum.

Nehmen wir zum Beispiel an, Sie prognostizieren das Kaufverhalten von Kunden, indem Sie Income als Attribut verwenden und das REGRESSOR-Modellierungsflag auf der Spalte festlegen. Der Algorithmus versucht zuerst, die Einkommenswerte an eine standardmäßige Regressionsformel anzupassen. Wenn die Abweichung zu groß ist, gibt der Algorithmus die Formel auf und teilt den Baum anhand eines anderen Attributs. Der Algorithmus versucht dann, in jedem Zweig einen Regressor für das Einkommen anzupassen.

Verwenden Sie den FORCE_REGRESSOR-Parameter, um für den Algorithmus einen bestimmten Regressor zu verwenden. Die Decision Trees- und Linear Regressionsalgorithmen unterstützen diesen Parameter.

Verwandte Aufgaben

Verwenden Sie diese Links, um mehr über Modellierungskennzeichnungen zu erfahren.