適用対象:
SQL Server 2019 以前の Analysis Services 
Azure Analysis Services Fabric/Power BI Premium
Important
データ マイニングは SQL Server 2017 Analysis Services で非推奨となり、現在は SQL Server 2022 Analysis Services で廃止されました。 非推奨および廃止された機能については、ドキュメントは更新されません。 詳細については、「 Analysis Services の下位互換性」を参照してください。
ほとんどのデータ マイニング モデルは、リレーショナル データ ソースに基づいています。 リレーショナル データ マイニング モデルを作成すると、キューブを作成する複雑さなしで、アドホック データをアセンブルし、モデルのトレーニングと更新を行うことができます。
リレーショナル マイニング構造では、さまざまなソースからデータを描画できます。 データ ソース ビューの一部としてデータを定義できる限り、テーブル、ファイル、またはリレーショナル データベース システムに生データを格納できます。 たとえば、データがExcel、SQL Server データ ウェアハウス、レポート データベースSQL Server、または OLE DB または ODBC プロバイダーを介してアクセスする外部ソースにある場合は、リレーショナル マイニング構造を使用できます。
この記事では、データ マイニング ウィザードを使用してリレーショナル マイニング構造を作成する方法の概要について説明します。
Requirements
既存のデータ ソースが必要です。 データ ソースがない場合は、データ ソース デザイナーを使用してデータ ソースを設定します。 詳細については、「 データ ソースの作成 (SSAS 多次元)」を参照してください。
データ ソース ビュー ウィザードを使用して、必要なデータを 1 つのデータ ソース ビューにアセンブルします。 データ ソース ビューを使用してデータを選択、変換、フィルター処理、または管理する方法の詳細については、「 多次元モデルのデータ ソース ビュー」を参照してください。
プロセスの概要
ソリューション エクスプローラーで [マイニング構造] ノードを右クリックし、[新しいマイニング構造の追加] を選択して、データ マイニング ウィザードを開始します。 ウィザードでは、次の手順に従って、新しいリレーショナル マイニング モデルの構造を作成します。
[定義方法] を選択します。データ ソースの種類を選択し、[ リレーショナル データベースまたはデータ ウェアハウスから] を選択します。
データ マイニング構造の作成: 構造のみを構築するか、マイニング モデルを使用して構造を構築するかを決定します。
また、初期モデルに適したアルゴリズムを選択します。 特定のタスクに最適なアルゴリズムのガイダンスについては、「 データ マイニング アルゴリズム (Analysis Services - データ マイニング)」を参照してください。
[データ ソース ビューの選択]: モデルのトレーニングに使用するデータ ソース ビューを選択します。 データ ソース ビューには、テストに使用されるデータや、関連のないデータを含めることもできます。 構造とモデルで実際に使用されるデータを選択できます。 後でデータにフィルターを適用することもできます。
テーブルの種類の指定: 分析に使用するケースを含むテーブルを選択します。 一部のデータ セット (特にマーケット バスケット モデルの構築に使用されるデータ セット) では、入れ子になったテーブルとして使用する関連テーブルを含めることもできます。
テーブルごとにキーを指定して、一意のレコードを識別する方法と、入れ子になったテーブルを追加した場合の関連レコードをアルゴリズムが認識できるようにします。
詳細については、「 マイニング構造列」を参照してください。
トレーニング データの指定: ケース テーブルを選択します。これは、分析に最も重要なデータを含むテーブルです。
一部のデータ セット (特にマーケット バスケット モデルに使用されるデータセット) には、関連テーブルを含めることもできます。 入れ子になったテーブルの値は、メイン テーブル内の 1 つの行またはケースに関連する複数の値として処理されます。
列のコンテンツとデータ型の指定: 構造で使用する列ごとに、 データ型 と コンテンツ タイプの両方を選択します。
ウィザードは、考えられるデータ型を自動的に検出しますが、推奨されるデータ型を使用する必要はありません。 たとえば、データに数値が含まれている場合は、カテゴリ データを表します。 キーとして指定した列には、その特定のモデルの種類に対して適切なデータ型が自動的に割り当てられます。 詳細については、「 マイニング モデルの列 と データ型 (データ マイニング)」を参照してください。
モデルで使用する各列に対して選択した コンテンツ タイプ によって、データの処理方法がアルゴリズムに指示されます。
たとえば、連続値を使用するのではなく、数値を分離することにします。 列に最適なコンテンツ タイプを自動的に検出するようにアルゴリズムに依頼することもできます。 詳細については、「 コンテンツ タイプ (データ マイニング)」を参照してください。
テスト セットの作成: モデルのテストに使用するデータの量を指定します。 データが複数のモデルをサポートしている場合は、すべてのモデルを同じデータでテストできるように、ホールドアウト データ セットを作成することをお勧めします。
詳細については、「 テストと検証 (データ マイニング)」を参照してください。
ウィザードの完了: 新しいマイニング構造と関連するマイニング モデルに名前を付け、構造とモデルを保存します。
モデルの種類に応じて、いくつかの重要なオプションを設定することもできます。 たとえば、構造に対してドリルスルーを有効にすることができます。
この時点で、マイニング構造とそのモデルは単なるメタデータです。 結果を得るには、両方を処理する必要があります。
リレーショナル データを選択する方法
リレーショナル マイニング構造は、OLE DB データ ソースを介して使用できる任意のデータに基づいて行うことができます。 ソース データが複数のテーブルにある場合は、データ ソース ビューを使用して、必要なテーブルと列を 1 か所でアセンブルします。
テーブルに一対多リレーションシップが含まれている場合 (たとえば、顧客ごとに複数の購入レコードを分析する場合)、両方のテーブルを追加します。 次に、1 つのテーブルをケース テーブルとして使用し、リレーションシップの多側のデータをネストされたテーブルとしてリンクします。
マイニング構造のデータは、既存のデータ ソース ビューから取得されます。 データ ソース ビュー内で必要に応じてデータを変更し、基になるリレーショナル データに存在しない可能性があるリレーションシップまたは派生列を追加できます。 データ ソース ビュー内に名前付き計算または集計を作成することもできます。 これらの機能は、データ ソース内のデータの配置を制御できない場合や、モデルのさまざまなデータ集計を試す場合に便利です。
使用可能なすべてのデータを使用する必要はありません。 マイニング構造に含める列を選択します。 その構造に基づくすべてのモデルでこれらの列を使用することも、特定の列に 対して無視 としてフラグを設定することもできます。 データ マイニング モデル ユーザーがマイニング モデルの結果からドリルダウンして、マイニング モデル自体に含まれていないマイニング構造列を表示することができます。
コンテンツ タイプとデータ型を指定する方法
データ型は、SQL Serverまたはその他のアプリケーション インターフェイスで指定するデータ型に似ています。日付と時刻、さまざまなサイズの数値、ブール値、テキスト、その他の不連続データ。
コンテンツ タイプはデータ マイニングにとって重要であり、分析の結果に影響します。 コンテンツ タイプは、データの処理をアルゴリズムに指示します。 たとえば、数値を連続的な尺度として扱うべきか、それともビンに分けるべきか。 潜在的な値はいくつあり、各値は異なりますか? 値がキーの場合、キーは日付/時刻値、シーケンス、またはその他の種類のキーを示していますか?
データ型の選択により、コンテンツ タイプの選択が制限される場合があります。 たとえば、数値以外の値を分離することはできません。 目的のコンテンツ タイプが表示されない場合は、[ 戻る ] を選択してデータ型ページに戻り、別のデータ型を試してください。
適切なコンテンツ タイプの選択についてあまり心配しないでください。 新しいコンテンツ タイプがマイニング構造のデータ型セットでサポートされている限り、新しいモデルを作成し、モデル内のコンテンツ タイプを変更するのは簡単です。 また、実験として、または別のアルゴリズムの要件を満たすために、異なるコンテンツ タイプを使用して複数のモデルを作成することも一般的です。
たとえば、データに収入列が含まれている場合は、Microsoft デシジョン ツリー アルゴリズムを使用するときに 2 つの異なるモデルを作成し、連続する数値または不連続の範囲として列を交互に構成できます。 ただし、Microsoft Naïve Bayes アルゴリズムを使用してモデルを追加した場合、そのアルゴリズムでは連続する数値がサポートされていないため、列を分離された値のみに変更する必要があります。
データをトレーニング セットとテスト セットに分割する理由と方法
ウィザードの終わり近くに、データをトレーニング セットとテスト セットに分割するかどうかを決定する必要があります。 テストのためにデータのランダムにサンプリングされた部分をプロビジョニングする機能は非常に便利です。これは、新しい構造に関連付けられているすべてのモデルで一貫した一連のテスト データを確実に使用できるためです。
Important
このオプションは、すべてのモデルの種類で使用できるわけではありません。 たとえば、予測モデルを作成する場合、時系列アルゴリズムではデータにギャップが存在しない必要があるため、ホールドアウトを使用することはできません。 ホールドアウト・データ・セットをサポートするモデル・タイプのリストについては、 トレーニング・データ・セットおよびテスト・データ・セットを参照してください。
保留データ セットを作成するには、テストに使用するデータの割合を指定します。 残りのデータはすべてトレーニングに使用されます。 必要に応じて、テストに使用するケースの最大数を設定したり、ランダム選択プロセスを開始するときに使用するシード値を設定したりできます。
ホールドアウト テスト セットの定義はマイニング構造と共に格納されるため、構造に基づいて新しいモデルを作成するたびに、テスト データ セットを使用してモデルの精度を評価できます。 マイニング構造キャッシュを削除すると、トレーニングまたはテストに使用されたケースに関する情報も削除されます。
ドリルスルーを有効にする理由と方法
ウィザードのほぼ最後に 、ドリルスルーを有効にするオプションがあります。 この重要なオプションを見逃すのは簡単です。 ドリルスルーを使用すると、マイニング モデルに対してクエリを実行して、マイニング構造のソース データを表示できます。
この機能は、詳細を表示するのに役立ちます。 たとえば、クラスタリング モデルの結果を表示している場合は、特定のクラスターに所属する顧客を確認できます。 ドリルスルーを使用すると、連絡先情報などの詳細を表示できます。
Important
ドリルスルーを使用するには、マイニング構造を作成するときにドリルスルーを有効にする必要があります。 モデルのプロパティを設定することで、モデルのドリルスルーを後で有効にできますが、マイニング構造では最初にこのオプションを設定する必要があります。 詳細については、「 ドリルスルー クエリ (データ マイニング)」を参照してください。
こちらも参照ください
データ マイニング デザイナー
データ マイニング ウィザード (Analysis Services - データ マイニング)
マイニング モデルのプロパティ
マイニング構造と構造列のプロパティ
マイニング構造タスクと操作方法