Технический справочник по алгоритму линейной регрессии Майкрософт

Применимо к: SQL Server 2019 и более ранних версий Analysis Services Azure Analysis Services Fabric/Power BI Premium

Алгоритм линейной регрессии Майкрософт — это специальная версия алгоритма дерева принятия решений Майкрософт, оптимизированного для моделирования пар непрерывных атрибутов. В этом разделе объясняется реализация алгоритма, описывается настройка поведения алгоритма и ссылки на дополнительные сведения о моделях запросов.

Реализация алгоритма линейной регрессии

Алгоритм дерева принятия решений Майкрософт можно использовать для многих задач: линейной регрессии, классификации или анализа связей. Чтобы реализовать этот алгоритм для линейной регрессии, параметры алгоритма управляются, чтобы ограничить рост дерева и сохранить все данные в модели в одном узле. Иными словами, хотя линейная регрессия основана на дереве принятия решений, дерево содержит только один корень и нет ветвей: все данные находятся на корневом узле.

Для этого параметр MINIMUM_LEAF_CASES алгоритма имеет значение больше или равно общему количеству случаев, которые алгоритм использует для обучения модели интеллектуального анализа данных. Таким образом, при использовании набора параметров алгоритм никогда не создаст разделение и, следовательно, выполняет линейную регрессию.

Уравнение, представляющее линию регрессии, принимает общую форму y = ax + b, и называется уравнением регрессии. Переменная Y представляет выходную переменную, X представляет входную переменную, а a и b — это настраиваемые коэффициенты. Коэффициенты, отсе́чки и другие сведения о формуле регрессии можно получить, выполнив запрос к завершенной модели интеллектуального анализа данных. Дополнительные сведения см. в примерах запросов модели линейной регрессии.

Методы оценки и выбор признаков

Все алгоритмы интеллектуального анализа данных SQL Server Analysis Services автоматически используют выбор компонентов для улучшения анализа и уменьшения нагрузки на обработку. Метод, используемый для выбора признаков в линейной регрессии, является показателем интересности, так как модель поддерживает только непрерывные столбцы. Для справки в следующей таблице показано различие в выборе признаков для алгоритма линейной регрессии и алгоритма дерева принятия решений.

Параметры алгоритма, управляющие выбором компонентов для модели дерева принятия решений, MAXIMUM_INPUT_ATTRIBUTES и MAXIMUM_OUTPUT.

Настройка алгоритма линейной регрессии

Алгоритм линейной регрессии Майкрософт поддерживает параметры, влияющие на поведение, производительность и точность результирующей аналитической модели. Вы также можете задать флаги моделирования в столбцах модели интеллектуального анализа данных или столбцах структуры интеллектуального анализа данных, чтобы управлять способом обработки данных.

Настройка параметров алгоритма

В следующей таблице перечислены параметры, предоставляемые для алгоритма линейной регрессии Майкрософт.

Флаги моделирования

Алгоритм линейной регрессии Майкрософт поддерживает следующие флаги моделирования. При создании структуры майнинга или модели майнинга данных можно определить флаги моделирования, чтобы указать, как значения в каждом столбце обрабатываются во время анализа. Дополнительные сведения см. в разделе "Флаги моделирования" (интеллектуальный анализ данных).

Регрессии в моделях линейной регрессии

Модели линейной регрессии основаны на алгоритме деревьев принятия решений Майкрософт. Однако даже если не используется алгоритм линейной регрессии Майкрософт, любая модель дерева принятия решений может содержать дерево или узлы, представляющие регрессию для непрерывного атрибута.

Не нужно указывать, что непрерывный столбец представляет регрессию. Алгоритм деревьев принятия решений Майкрософт секционирует набор данных в регионы с значимыми шаблонами, даже если флаг REGRESSOR не задан в столбце. Разница заключается в том, что при установке флага моделирования алгоритм пытается найти уравнения регрессии формы a*C1 + b*C2 + ... , чтобы соответствовать шаблонам в узлах дерева. Сумма остатков вычисляется, и если отклонение слишком велико, в дереве выполняется принудительное разделение.

Например, если вы прогнозируете поведение покупки клиентов с помощью дохода в качестве атрибута и задает флаг моделирования REGRESSOR в столбце [Доход], алгоритм сначала попытается соответствовать значениям с помощью стандартной формулы регрессии. Если отклонение слишком велико, формула регрессии отклоняется, и дерево будет разделено на какой-то другой атрибут. Затем алгоритм дерева решений будет пытаться построить регрессионную модель для дохода в каждой из ветвей после разбиения.

Вы можете использовать параметр FORCED_REGRESSOR, чтобы гарантировать, что алгоритм будет использовать конкретный регрессор. Этот параметр можно использовать с деревьями принятия решений Майкрософт и алгоритмами линейной регрессии Майкрософт.

Требования

Модель линейной регрессии должна содержать ключевой столбец, входные столбцы и по крайней мере один прогнозируемый столбец.

Входные и прогнозируемые столбцы

Алгоритм линейной регрессии Майкрософт поддерживает определенные входные столбцы и прогнозируемые столбцы, перечисленные в следующей таблице. Для получения дополнительной информации о том, что означают типы контента в контексте использования в модели интеллектуального анализа данных, см. в разделе «Типы контента» (интеллектуальный анализ данных).

См. также

Алгоритм линейной регрессии Майкрософт
Примеры запросов модели линейной регрессии
Содержимое модели интеллектуального анализа данных для моделей линейной регрессии (службы Analysis Services — интеллектуальный анализ данных)