Настройка моделей интеллектуального анализа данных и структуры

После выбора алгоритма, соответствующего бизнес-потребностям, можно настроить модель интеллектуального анализа данных следующими способами, чтобы улучшить результаты.

• Используйте различные столбцы данных в модели или измените использование, тип контента или метод дискретизации для столбцов.

• Создайте фильтры в модели интеллектуального анализа данных, чтобы ограничить объем данных, используемых для обучения модели.

• Измените алгоритм, используемый для анализа данных.

• Задайте параметры алгоритма для управления пороговыми значениями, разделением деревьев и другими важными условиями.

В этом разделе описаны эти параметры.

Изменение данных, используемых моделью

Решения о том, какие столбцы данных следует использовать в модели, а также как использовать и обрабатывать эти данные, значительно влияют на результаты анализа. В следующих разделах содержатся сведения, которые помогут вам понять эти варианты.

Использование выбора компонентов

Большинство алгоритмов интеллектуального анализа данных в службах Analysis Services используют процесс , называемый выбором признаков , чтобы выбрать только наиболее полезные атрибуты для добавления к модели. Уменьшение числа столбцов и атрибутов может повысить производительность и качество модели. Доступные методы выбора признаков зависят от выбранного алгоритма.

Выбор признаков (интеллектуальный анализ данных)

Изменение использования

Вы можете изменить столбцы, которые включены в модель интеллектуального анализа данных, а также изменить, как используется каждый столбец. Если вы не получаете ожидаемые результаты, вы должны проверить столбцы, которые использовали в качестве входных данных, и спросить себя, были ли столбцы хорошим выбором и что можно сделать для улучшения обработки данных, включая:

• Определение категориальных переменных, которые ошибочно помечены как числа.

• Добавление категорий для свертывание количества атрибутов и упрощение поиска корреляций.

• Изменение способа группировки или дискретизации чисел.

• Удаление столбцов с большим количеством уникальных значений или столбцов, которые действительно являются эталонными данными и не полезны для анализа, таких как адреса или промежуточные имена.

Вам не нужно физически удалять столбцы из структуры данных; можно просто пометить столбец как Игнорировать. Столбец удаляется из модели интеллектуального анализа данных, но по-прежнему может использоваться другими моделями интеллектуального анализа данных в структуре, на которые ссылается запрос детализации.

Создание псевдонимов для столбцов модели

При создании модели интеллектуального анализа данных служба Analysis Services использует те же имена столбцов, которые находятся в структуре интеллектуального анализа данных. Псевдоним можно добавить к любому столбцу модели анализа данных. Это может упростить понимание содержимого столбца или использования или сделать его более коротким для удобства при создании запросов. Псевдонимы также полезны, если вы хотите создать копию столбца и дать ей описательное название.

Вы создаете псевдоним, изменяя свойство Name столбца модели анализа данных. Службы Analysis Services продолжают использовать исходное имя как идентификатор столбца, а новое значение, которое вы вводите для Name, становится псевдонимом столбца и отображается в сетке в скобках рядом с названием столбца.

На графике представлены модели, связанные с несколькими копиями столбца структуры данных, все они связаны с доходом. Каждая копия столбца структуры дискретизирована по-другому. Модели на схеме используют разные столбцы из структуры интеллектуального анализа данных; однако для удобства сравнения столбцы в каждой модели переименованы в [Доход].

Добавление фильтров

Вы можете добавить фильтр в модель интеллектуального анализа данных. Фильтр — это набор условий WHERE, ограничивающих данные в случаях модели в некоторых подмножествах. Фильтр используется при обучении модели и может использоваться при тестировании модели или создании диаграмм точности.

Добавив фильтры, можно повторно использовать структуры интеллектуального анализа данных, но создавать модели на основе очень разных подмножеств данных. Кроме того, можно просто использовать фильтры для устранения определенных строк и повышения качества анализа.

Для получения дополнительной информации см. раздел "Фильтры для моделей интеллектуального анализа данных" (службы Analysis Services — интеллектуальный анализ данных).

Изменение алгоритма

Несмотря на то что новые модели, добавляемые в структуру интеллектуального анализа данных, используют один и тот же набор данных, вы можете получить разные результаты, используя другой алгоритм (если это поддерживается данными), или изменяя параметры алгоритма. Вы также можете задать флаги моделирования.

Выбор алгоритма определяет, какой тип результатов вы получите. Общие сведения о том, как работает конкретный алгоритм, и о бизнес-сценариях, в которых выгодно использовать конкретный алгоритм, см. раздел «Алгоритмы интеллектуального анализа данных» (службы Analysis Services — интеллектуальный анализ данных).

Ознакомьтесь с технической справочной темой для каждого алгоритма, чтобы узнать описание требований и ограничений, а также подробное описание настроек, которые поддерживаются каждым алгоритмом.

Настройка параметров алгоритма

Каждый алгоритм поддерживает параметры, которые можно использовать для настройки поведения алгоритма и точной настройки результатов модели. Описание использования каждого параметра см. в следующих разделах:

В разделе для каждого типа алгоритма также перечислены функции прогнозирования, которые можно использовать с моделями на основе этого алгоритма.

См. также

Алгоритмы интеллектуального анализа данных (службы Analysis Services — интеллектуальный анализ данных)физическаяархитектура (службы Analysis Services — интеллектуальный анализ данных)