神經網路演算法資料探勘

在 sql server analysis services 中，microsoft 神經網路演算法組合輸入屬性的每個可能狀態和可**屬性的每個可能狀態，並使用定型資料計算概率。之後，可以根據輸入屬性，將這些概率用於分類或回歸，並**被**屬性的結果。

使用 microsoft 神經元網路演算法構造的挖掘模型可以包含多個網路，這取決於用於輸入和**的列的數量，或者取決於僅用於**的列的數量。乙個挖掘模型包含的網路數取決於挖掘模型使用的輸入列和**列包含的狀態數。

示例 microsoft 神經網路演算法對分析複雜輸入資料（如來自製造或商業流程的資料）很有用；對於那些提供了大量定型資料，但使用其他演算法很難為其派生規則的業務問題，這種演算法也很有用。

在以下情況下，建議使用 microsoft 神經網路演算法：

營銷和**分析，如評估直接郵件**或乙個電台廣告活動的成功情況。

根據歷史資料****公升降、匯率浮動或其他頻繁變動的金融資訊。

分析製造和工業流程。

文字挖掘。

分析多個輸入和相對較少的輸出之間的複雜關係的任何**模型。

演算法的原理

microsoft 神經網路演算法建立由多至三層神經元組成的網路。這些層分別是輸入層、可選隱藏層和輸出層。

輸入層：輸入神經元定義資料探勘模型的所有輸入屬性值及其概率。

隱藏層：隱藏神經元接收來自輸入神經元的輸入，並向輸出神經元提供輸出。隱藏層是向各種輸入概率分配權重的位置。權重說明某一特定輸入對於隱藏神經元的相關性或重要性。輸入所分配的權重越大，則輸入的值越重要。權重可為負值，表示輸入抑制而不是促進某一特定結果。

輸出層：輸出神經元代表資料探勘模型的可**屬性值。

對於如何構造和評價輸入層、隱藏層和輸出層的詳細說明，請參閱 microsoft 神經網路演算法技術參考（analysis services – 資料探勘）。

神經網路模型所需的資料

神經網路模型必須包含乙個鍵列、乙個或多個輸入列以及乙個或多個可**列。

使用 microsoft 神經網路演算法的資料探勘模型與為該演算法的可用引數指定的值緊密相關。這些引數定義如何對資料進行取樣、資料在每個列中的分布方式或預期分布方式以及何時呼叫功能選擇以限制在最終模型中使用的值。

檢視神經網路模型

您可以使用 microsoft 神經網路檢視器處理資料，並檢視模型如何將輸入與輸出關聯。使用此自定義檢視器，您可以篩選輸入屬性及其值，並檢視顯示它們如何影響輸出的圖形。檢視器中的工具提示顯示與每對輸入和輸出值關聯的概率和提公升。

瀏覽模型結構的最簡便方式是使用 microsoft 一般內容樹檢視器。您可以檢視輸入、輸出以及模型建立的網路，並單擊展開任何節點，檢視與輸入、輸出或隱藏層節點相關的統計資訊。

建立**

處理完模型後，可以使用每個節點中儲存的網路和權重來做出**。神經網路模型支援回歸、關聯和分類分析，因此，每個**的含義可能各不相同。此外，還可以查詢模型自身，以檢視找到的相關性並檢索相關統計資訊。

注釋不支援鑽取或資料探勘維度，這是因為挖掘模型中節點的結構不一定直接與基礎資料對應。

不支援以**模型標記語言 (pmml) 格式建立模型。

支援使用 olap 挖掘模型。

不支援建立資料探勘維度。

神經網路演算法 資料探勘