Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Gilt für:
SQL Server 2019 und frühere Analysis Services 
Azure Analysis Services Fabric/Power BI Premium
Von Bedeutung
Data Mining wurde in SQL Server 2017 Analysis Services verworfen und ist in SQL Server 2022 Analysis Services eingestellt worden. Die Dokumentation wird nicht für veraltete und nicht mehr unterstützte Features aktualisiert. Weitere Informationen finden Sie unter "Analysis Services-Abwärtskompatibilität".
Partitioniert die Miningstruktur in die angegebene Anzahl von Querschnitten, trainiert ein Modell für jede Partition und gibt dann Genauigkeitsmetriken für jede Partition zurück.
Hinweis
Sie können diese gespeicherte Prozedur nicht verwenden, um Clusteringmodelle oder Modelle zu überprüfen, die den Algorithmus für Microsoft Zeitreihen oder den Algorithmus für Microsoft Sequenzclustering verwenden. Verwenden Sie zum überprüfen von Clusteringmodellen die separate gespeicherte Prozedur SystemGetClusterCrossValidationResults (Analysis Services - Data Mining).
Syntax
SystemGetCrossValidationResults(
<mining structure>
[, <mining model list>]
,<fold count>
,<max cases>
,<target attribute>
[,<target state>]
[,<target threshold>]
[,<test list>])
Arguments
Bergbaustruktur
Name einer Miningstruktur in der aktuellen Datenbank.
(erforderlich)
Miningmodellliste
Durch Trennzeichen getrennte Liste der zu überprüfenden Miningmodelle.
Wenn ein Modellname Zeichen enthält, die in einem Bezeichner nicht gültig sind, schließen Sie den Namen in eckige Klammern ein.
Wenn Sie keine Miningmodellliste angeben, überprüft die Prozedur alle Modelle, die zur angegebenen Struktur gehören, und verfügt über ein vorhersagbares Attribut.
Hinweis
Verwenden Sie zum überprüfen von Clusteringmodellen eine separate gespeicherte Prozedur, SystemGetClusterCrossValidationResults (Analysis Services - Data Mining).
(Optional)
Faltenanzahl
Ganze Zahl, die die Anzahl der Partitionen angibt, in die der Datensatz getrennt werden soll. Der Mindestwert ist 2. Die maximale Anzahl von Faltungen ist eine maximale ganze Zahl oder die Anzahl der Fälle, je nachdem, welcher Wert niedriger ist.
Jede Partition enthält ungefähr maximale Fälle dividiert durch Faltenanzahlsfälle .
Es gibt keinen Standardwert.
Hinweis
Die Anzahl der Faltungen wirkt sich stark auf die Gültigkeitsprüfungszeit aus. Wenn Sie zu viele Faltungen auswählen, dauert die Abfrage möglicherweise eine lange Zeit. In einigen Fällen kann der Server nicht mehr antworten, oder die Anforderung kann zeitüberschreitungen.
(erforderlich)
max. Fälle
Ganze Zahl, die die maximale Anzahl von Fällen angibt, die über alle Faltungen getestet werden können.
Wenn Sie angeben 0, verwendet die Prozedur alle Fälle in der Datenquelle.
Wenn der angegebene Wert die Anzahl der Fälle im Dataset überschreitet, verwendet die Prozedur alle Fälle in der Datenquelle.
Es gibt keinen Standardwert.
(erforderlich)
Target-Attribut
Zeichenfolge, die den Namen des vorhersagbaren Attributs enthält. Ein vorhersagbares Attribut kann eine Spalte, eine geschachtelte Tabellenspalte oder eine geschachtelte Tabellenschlüsselspalte eines Miningmodells sein.
Hinweis
Die Prozedur überprüft das Zielattribute nur zur Laufzeit.
(erforderlich)
Zielstatus
Formel, die den vorherzusagenden Wert angibt. Wenn Sie einen Zielwert angeben, sammelt die Prozedur nur Metriken für diesen Wert.
Wenn Sie keinen Wert angeben oder null angeben, berechnet die Prozedur Metriken für den wahrscheinlichsten Zustand für jede Vorhersage.
Der Standardwert ist NULL.
Die Prozedur löst während der Überprüfung einen Fehler aus, wenn der angegebene Wert für das angegebene Attribut nicht gültig ist oder wenn die Formel nicht der richtige Typ für das angegebene Attribut ist.
(Optional)
Zielschwellenwert
Doppelt größer als 0 und kleiner als 1. Gibt den Minimalwahrscheinlichkeitswert an, den die Vorhersage erreichen muss, damit der angegebene Zielzustand korrekt ist.
Eine Vorhersage, die eine Wahrscheinlichkeit kleiner oder gleich diesem Wert hat, wird als falsch betrachtet.
Wenn Sie keinen Wert angeben oder auf NULL festlegen, verwendet die Prozedur unabhängig von ihrer Wahrscheinlichkeitsbewertung den wahrscheinlichsten Zustand.
Der Standardwert ist NULL.
Hinweis
SQL Server Analysis Services löst keinen Fehler aus, wenn Sie den Zielschwellenwert0.0festlegen, aber diesen Wert nicht verwenden. Ein Schwellenwert, der 0.0 bewirkt, dass die Prozedur Vorhersagen mit null Prozent Wahrscheinlichkeit als richtig zählt.
(Optional)
Testliste
Eine Zeichenfolge, die Testoptionen angibt.
Hinweis Dieser Parameter ist für die zukünftige Verwendung reserviert.
(Optional)
Rückgabetyp
Das zurückgegebene Rowset enthält Ergebnisse für jede Partition in jedem Modell.
In der folgenden Tabelle werden die Spalten im Rowset beschrieben.
| Spaltenname | Description |
|---|---|
| Modellname | Der Name des getesteten Modells. |
| Attributename | Der Name der vorhersagbaren Spalte. |
| AttributeState | Ein angegebener Zielwert in der vorhersagbaren Spalte. Wenn dieser Wert null ist, wurde die wahrscheinlichste Vorhersage verwendet. Wenn diese Spalte einen Wert enthält, wird die Genauigkeit des Modells nur anhand dieses Werts bewertet. |
| PartitionIndex | Ein 1-basierter Index, der angibt, auf welche Partition die Ergebnisse angewendet werden. |
| PartitionSize | Eine ganze Zahl, die angibt, wie viele Fälle in jeder Partition enthalten waren. |
| Test | Kategorie des durchgeführten Tests. Eine Beschreibung der Kategorien und der Tests, die in jeder Kategorie enthalten sind, finden Sie unter "Measures in the Cross-Validation Report". |
| Maßnahme | Der Name des vom Test zurückgegebenen Measures. Measures für jedes Modell hängen vom Typ des vorhersagbaren Werts ab. Eine Definition der einzelnen Measures finden Sie unter Cross-Validation (Analysis Services - Data Mining).For a definition of each measure, see Cross-Validation (Analysis Services - Data Mining). Eine Liste der für jeden vorhersehbaren Typ zurückgegebenen Measures finden Sie unter Measures im Cross-Validation Report. |
| Wert | Der Wert des angegebenen Testmaßes. |
Bemerkungen
Use - SystemGetAccuracyResults (Analysis Services - Data Mining) to return accuracy metrics for the complete data set.
Wenn das Miningmodell Faltungen enthält, verwenden Sie SystemGetAccuracyResults (Analysis Services - Data Mining), um die Verarbeitung zu umgehen und nur Validierungsergebnisse zurückzugeben.
Examples
Im folgenden Beispiel wird die [v Target Mail] Miningstruktur in zwei Faltungen für die Kreuzüberprüfung aufgeteilt und ihre [Target Mail DT] Und [Target Mail NB] Mining-Modelle getestet.
Zeile 3 listet die zu testden Miningmodelle auf. Wenn Sie die Liste nicht angeben, testet die Prozedur alle nicht gruppierten Modelle, die der Struktur zugeordnet sind. Zeile 4 legt die Anzahl der Partitionen fest. Da Sie keinen Wert für max. Fälle angeben, verwendet die Prozedur alle Fälle in der Miningstruktur und verteilt sie gleichmäßig über die Partitionen.
Zeile 5 gibt das vorhersagbare Attribut, Bike Buyer und Zeile 6 den Wert an, der vorhergesagt werden soll, 1 (d. h. "Ja, wird kaufen").
In Zeile 7 NULL wird kein Mindestwahrscheinlichkeitsschwellenwert festgelegt. Die Bewertung verwendet die erste Vorhersage mit einer Nichtzero-Wahrscheinlichkeit, um die Genauigkeit zu berechnen.
CALL SystemGetCrossValidationResults(
[v Target Mail],
[Target Mail DT], [Target Mail NB],
2,
'Bike Buyer',
1,
NULL
)
Beispielergebnisse:
| Modellname | Attributename | AttributeState | PartitionIndex | PartitionSize | Test | Maßnahme | Wert |
|---|---|---|---|---|---|---|---|
| Ziel-E-Mail DT | Fahrradkäufer | 1 | 1 | 500 | Klassifizierung | Wahr positiv | 144 |
| Ziel-E-Mail DT | Fahrradkäufer | 1 | 1 | 500 | Klassifizierung | Falsch positiv | 105 |
| Ziel-E-Mail DT | Fahrradkäufer | 1 | 1 | 500 | Klassifizierung | Echtes Negativ | 186 |
| Ziel-E-Mail DT | Fahrradkäufer | 1 | 1 | 500 | Klassifizierung | Falsch negativ | 65 |
| Ziel-E-Mail DT | Fahrradkäufer | 1 | 1 | 500 | Likelihood | Protokollbewertung | -0.619042807138345 |
| Ziel-E-Mail DT | Fahrradkäufer | 1 | 1 | 500 | Likelihood | Lift | 0.0740963734002671 |
| Ziel-E-Mail DT | Fahrradkäufer | 1 | 1 | 500 | Likelihood | Root Mean Square Error | 0.346946279977653 |
| Ziel-E-Mail DT | Fahrradkäufer | 1 | 2 | 500 | Klassifizierung | Wahr positiv | 162 |
| Ziel-E-Mail DT | Fahrradkäufer | 1 | 2 | 500 | Klassifizierung | Falsch positiv | 86 |
| Ziel-E-Mail DT | Fahrradkäufer | 1 | 2 | 500 | Klassifizierung | Echtes Negativ | 165 |
| Ziel-E-Mail DT | Fahrradkäufer | 1 | 2 | 500 | Klassifizierung | Falsch negativ | 87 |
| Ziel-E-Mail DT | Fahrradkäufer | 1 | 2 | 500 | Likelihood | Protokollbewertung | -0.654117781086519 |
| Ziel-E-Mail DT | Fahrradkäufer | 1 | 2 | 500 | Likelihood | Lift | 0.038997399132084 |
| Ziel-E-Mail DT | Fahrradkäufer | 1 | 2 | 500 | Likelihood | Root Mean Square Error | 0.342721344892651 |
Anforderungen
Ab SQL Server 2008 ist die Kreuzüberprüfung nur in SQL Server Enterprise verfügbar.