Примеры запросов модели ассоциаций

При создании запроса к модели интеллектуального анализа данных можно создать запрос содержимого, который содержит сведения о правилах и наборах элементов, обнаруженных во время анализа, или создать прогнозирующий запрос, который использует связи, обнаруженные в данных для прогнозирования. Для модели сопоставления прогнозы обычно основаны на правилах и могут использоваться для выполнения рекомендаций, в то время как запросы на содержимое обычно изучают связь между наборами элементов. Вы также можете получить метаданные о модели.

В этом разделе объясняется, как создать такие типы запросов для моделей, основанных на алгоритме правил ассоциации Майкрософт.

Запросы содержимого

Получение метаданных модели с помощью DMX

Получение метаданных из набора строк схемы

Получение исходных параметров для модели

Получение списка элементов и продуктов

Возврат первых 10 наборов элементов

Прогнозирующие запросы

Прогнозирование связанных элементов

Определение достоверности для связанных наборов элементов

Поиск сведений о модели

Все модели интеллектуального анализа данных предоставляют содержимое, наученное алгоритмом в соответствии с стандартизованной схемой, которая называется набором строк схемы модели интеллектуального анализа данных. Запросы к набору строк схемы модели интеллектуального анализа данных можно создавать с помощью инструкций расширений интеллектуального анализа данных (DMX) или с помощью хранимых процедур служб Analysis Services. В SQL Server 2014 можно также запрашивать наборы строк схемы непосредственно в виде системных таблиц с помощью синтаксиса, аналогичного SQL.

Пример запроса 1. Получение метаданных модели с помощью dmX

Следующий запрос возвращает базовые метаданные об модели сопоставления, Associationнапример имя модели, базу данных, в которой хранится модель, и количество дочерних узлов в модели. Этот запрос использует запрос содержимого DMX для получения метаданных из родительского узла модели:

SELECT MODEL_CATALOG, MODEL_NAME, NODE_CAPTION,   
NODE_SUPPORT, [CHILDREN_CARDINALITY], NODE_DESCRIPTION  
FROM Association.CONTENT  
WHERE NODE_TYPE = 1  

Пример результатов:

Определение того, что эти столбцы означают в модели сопоставления, см. в разделе "Содержимое модели интеллектуального анализа данных" для моделей ассоциаций (службы Analysis Services — интеллектуальный анализ данных).

Вернуться в начало

Пример запроса 2. Получение дополнительных метаданных из набора строк схемы

Запросив набор строк схемы интеллектуального анализа данных, можно найти те же сведения, которые возвращаются в запросе содержимого DMX. Однако набор строк схемы предоставляет некоторые дополнительные столбцы, такие как дата последней обработки модели, структура данных для интеллектуального анализа и имя столбца, используемого в качестве прогнозируемого атрибута.

SELECT MODEL_CATALOG, MODEL_NAME, SERVICE_NAME, PREDICTION_ENTITY,   
MINING_STRUCTURE, LAST_PROCESSED  
FROM $system.DMSCHEMA_MINING_MODELS  
WHERE MODEL_NAME = 'Association'  

Пример результатов:

Вернуться в начало

Пример запроса 3. Получение исходных параметров для модели

Следующий запрос возвращает один столбец, содержащий сведения о параметрах, которые использовались при создании модели.

SELECT MINING_PARAMETERS   
from $system.DMSCHEMA_MINING_MODELS  
WHERE MODEL_NAME = 'Association'  

Пример результатов:

MAXIMUM_ITEMSET_COUNT=2000000,MAXIMUM_ITEMSET_SIZE=3,MAXIMUM_SUPPORT=1,MINIMUM_SUPPORT=9.4092349156529E-04,MINIMUM_IMPORTANCE=-999999999999999999,MINIMUM_ITEMSET_SIZE=0,MINIMUM_PROBABILITY=0,4

Вернуться в начало

Поиск сведений о правилах и наборах элементов

Существует два распространенных использования модели сопоставления: для обнаружения сведений о частых наборах элементов, а также для извлечения сведений об определенных правилах и наборах элементов. Например, может потребоваться извлечь список правил, которые были оценены как особенно интересные, или создать список наиболее распространенных наборов элементов. Вы извлекаете такие сведения с помощью запроса содержимого DMX. Эти сведения также можно просмотреть с помощью средства просмотра ассоциаций Майкрософт.

Пример запроса 4. Получение списка наборов элементов и продуктов

Следующий запрос извлекает все наборы элементов вместе с вложенной таблицей, которая содержит продукты, включенные в каждый набор элементов. Столбец NODE_NAME содержит уникальный идентификатор набора элементов в модели, а NODE_CAPTION предоставляет текстовое описание элементов. В этом примере вложенная таблица делается плоской, и таким образом, набор элементов, содержащий два продукта, создает две строки в результатах. Ключевое слово FLATTENED можно опустить, если клиент поддерживает иерархические данные.

SELECT FLATTENED NODE_NAME, NODE_CAPTION,  
NODE_PROBABILITY, NODE_SUPPORT,  
(SELECT ATTRIBUTE_NAME FROM NODE_DISTRIBUTION) as PurchasedProducts  
FROM Association.CONTENT  
WHERE NODE_TYPE = 7  

Пример результатов:

Вернуться в начало

Пример запроса 5. Возврат первых 10 наборов элементов

В этом примере показано, как использовать некоторые функции группировки и упорядочения, предоставляемые dmX по умолчанию. Запрос возвращает топ-10 наборов элементов, упорядоченных по поддержке каждого узла. Обратите внимание, что не нужно явно группировать результаты, так как в Transact-SQL; однако в каждом запросе можно использовать только одну агрегатную функцию.

SELECT TOP 10 (NODE_SUPPORT),NODE_NAME, NODE_CAPTION  
FROM Association.CONTENT  
WHERE NODE_TYPE = 7  

Пример результатов:

Вернуться в начало

Создание прогнозов с помощью модели

Модель правил ассоциации часто используется для создания рекомендаций, основанных на корреляциях, обнаруженных в наборах элементов. Таким образом, при создании прогнозирующего запроса на основе модели правил сопоставления обычно используются правила в модели для угадок на основе новых данных. PredictAssociation (DMX) — это функция, которая возвращает рекомендации и имеет несколько аргументов, которые можно использовать для настройки результатов запроса.

Другой пример того, где запросы к модели ассоциации могут быть полезными, заключается в возврате достоверности для различных правил и наборов элементов, чтобы сравнить эффективность различных стратегий перекрестной продажи. В следующих примерах показано, как создать такие запросы.

Пример запроса 6. Прогнозирование связанных элементов

В этом примере используется модель сопоставления, созданная в руководстве по интеллектуальному анализу данных промежуточного уровня (службы Analysis Services — интеллектуальное анализ данных). В нем показано, как создать прогнозирующий запрос, который сообщает о том, какие продукты рекомендуется рекомендовать клиенту, который приобрел определенный продукт. Этот тип запроса, где вы предоставляете значения модели в SELECT...UNION инструкции, называется синглетным запросом. Так как прогнозируемый столбец модели, соответствующий новым значениям, является вложенной таблицей, необходимо использовать одно SELECT предложение, чтобы сопоставить новое значение с вложенным столбцом [Model]таблицы, а другое SELECT предложение — сопоставить вложенный столбец таблицы со столбцом уровня регистра. [v Assoc Seq Line Items] Добавление ключевого слова INCLUDE-STATISTICS в запрос позволяет увидеть вероятность и поддержку рекомендаций.

SELECT PredictAssociation([Association].[vAssocSeqLineItems],INCLUDE_STATISTICS, 3)  
FROM [Association]  
NATURAL PREDICTION JOIN   
(SELECT  
(SELECT 'Classic Vest' as [Model])  
AS [v Assoc Seq Line Items])  
AS t  

Пример результатов:

Вернуться в начало

Пример запроса 7. Определение достоверности для связанных наборов элементов

В то время как правила полезны для создания рекомендаций, наборы элементов более интересны для более глубокого анализа шаблонов в наборе данных. Например, если вы не удовлетворены рекомендацией, возвращаемой предыдущим примером запроса, можно изучить другие наборы элементов, содержащие Product A, чтобы получить лучшее представление о том, является ли продукт A аксессуаром, что люди, как правило, покупают с всеми видами продуктов, или если A сильно коррелирует с покупками конкретных продуктов. Самый простой способ изучения этих связей — фильтрация наборов элементов в средстве просмотра ассоциаций Майкрософт; однако вы можете получить те же сведения с помощью запроса.

Следующий пример запроса возвращает все наборы элементов, которые включают в себя бутылку воды, а также отдельный элемент "бутылка воды".

SELECT TOP 100 FROM   
(  
SELECT FLATTENED NODE_CAPTION, NODE_SUPPORT,   
(SELECT ATTRIBUTE_NAME from NODE_DISTRIBUTION  
WHERE ATTRIBUTE_NAME = 'v Assoc Seq Line Items(Water Bottle)') as D  
FROM Association.CONTENT  
WHERE NODE_TYPE = 7  
) AS Items  
WHERE [D.ATTRIBUTE_NAME] <> NULL  
ORDER BY NODE_SUPPORT DESC  

Пример результатов:

Этот запрос возвращает все строки из вложенной таблицы, соответствующие условиям, и все строки из внешней таблицы или таблицы с внешними данными. Поэтому необходимо добавить условие, которое исключает строки таблицы кейсов, имеющие значение NULL для имени целевого атрибута.

Вернуться в начало

Список функций

Все алгоритмы Майкрософт поддерживают общий набор функций. Однако алгоритм ассоциации Майкрософт поддерживает дополнительные функции, перечисленные в следующей таблице.

См. также

Алгоритм ассоциации Майкрософт
Технический справочник по алгоритму ассоциаций Майкрософт
Содержимое модели интеллектуального анализа данных для моделей ассоциаций (службы Analysis Services — интеллектуальный анализ данных)