BINo07Topic08BISampleDMXSQL ServerWord文档下载推荐.docx

BINo07Topic08BISampleDMXSQL ServerWord文档下载推荐.docx

《BINo07Topic08BISampleDMXSQL ServerWord文档下载推荐.docx》由会员分享，可在线阅读，更多相关《BINo07Topic08BISampleDMXSQL ServerWord文档下载推荐.docx（13页珍藏版）》请在冰豆网上搜索。

2.2vTargetMail（视图）模式

2.3表ProspectiveBuyer模式

3.实验步骤

（1）在SQLServerManagementStudio中连接AS服务器；

（2）选定项目；

（3）新建查询；

（4）调试MDX。

4.决策树分类分析

下面是一个应用DMX创建挖掘结构、挖掘模型，训练挖掘模型及进行预测的完整过程例子。

条件：

在BesinessIntelligenceVisualStudio中建立了数据源AdventureWorksDW（与AdventureWorksDW连接）。

4.1模型创建

createminingmodelTarget_mail

（

CustomerKeylongkey,

AgelongContinuous,

CommuteDistanceTextDiscrete,

NumberCarsOwnedlongDiscrete,

NumberChildrenAtHomelongDiscrete,

RegionTextDiscrete,

TotalChildrenlongDiscrete,

YearlyIncomelongcontinuous,

BikeBuyerlongDiscretepredict

）

usingMicrosoft_Decision_Trees

--上述创建过程中，同时产生一个挖掘结构Target_mail_Structure和该结构化的一个挖掘模型Target_mail。

--也可以采用分步方式实现

--先定义结构Target_mail_Structure

/*

createminingstructureTarget_mail_Structure

（

BikeBuyerlongDiscrete

*/

--再基于该结构构建一个挖掘模型

alterminingstructureTarget_mail_Structure

addminingmodelTarget_mail_1

（CustomerKeynotnull,--notnull：

建模标志

Age,

CommuteDistance,

NumberCarsOwned,

NumberChildrenAtHome,

Region,

TotalChildren,

YearlyIncome,

BikeBuyerpredict--predict预测子句

）

usingMicrosoft_Decision_Trees;

4.2模型训练

InsertintoTarget_mail

CustomerKey,

BikeBuyer

openquery（[AdventureWorksDW],

'

select--属性与上述对应

fromvTargetMail

--查看模型内容，模型必须训练后才可以查看

select*

fromTarget_mail.CONTENT

select

attribute_name,

node_type,node_caption,

[children_cardinality],

node_description,

marginal_rule

orderbynode_caption

4.3预测查询

--简单预测，单独预测

有一个用户：

年龄40，距离5Miles，1座房子，0个轿车，0个孩子，0个孩子在家，年收入50000，即

[Age]=35,

[CommuteDistance]='

5Miles'

[HouseOwnerFlag]='

1'

[NumberCarsOwned]=0,

[TotalChildren]=0,

[NumberChildrenAtHome]=0,

[YearlyIncome]=50000

查询：

他会买自行车吗？

SELECT

[Target_mail].[BikeBuyer],

PredictHistogram（[BikeBuyer]）

FROM

[Target_mail]

NATURALPREDICTIONJOIN

（SELECT

35AS[Age],

'

AS[CommuteDistance],

AS[HouseOwnerFlag],

0AS[NumberCarsOwned],

0AS[TotalChildren],

0AS[NumberChildrenAtHome],

50000AS[YearlyIncome]）ASt

结论：

85%可能会买

注意：

将4个属性值映射到模型，如果已知的值过少则预测效果受影响，如一下仅给定年龄，无论年龄取什么值，结果都是0。

（SELECT50AS[Age]

）ASt

--成批预测

t.[ProspectAlternateKey],

PredictProbability（[Target_mail].[BikeBuyer]）

From

PREDICTIONJOIN

OPENQUERY（[AdventureWorksDW],

[ProspectAlternateKey],

[YearlyIncome],

[NumberChildrenAtHome],

[HouseOwnerFlag],

[NumberCarsOwned]

FROM

[dbo].[ProspectiveBuyer]'

ON

[Target_mail].[YearlyIncome]=t.[YearlyIncome]AND

[Target_mail].[NumberChildrenAtHome]=t.[NumberChildrenAtHome]AND

[Target_mail].[NumberCarsOwned]=t.[NumberCarsOwned]

ON子句定义了源查询中的列与挖掘模型中的列之间的映射。

该映射用于将源查询中的列定向到挖掘模型中的列，这样在创建预测时便可将这些列用作输入。

4.4对比：

贝叶斯模型

采用贝叶斯模型验证上述决策树模型，与SQLServerBusinessIntelligenceDevelopmentStudio中的决策树模型对比，注意贝叶斯模型“Age”及“YearlyIncome”属性做了离散化处理，连续数值属性模型不支持。

--创建结构、模型

createminingmodelTarget_mail_BY

AgelongDiscrete,

YearlyIncomelongDiscrete,

usingMicrosoft_NAIVE_BAYES

--模型训练

InsertintoTarget_mail_BY

--预测查询

[Target_mail_BY].[BikeBuyer],

PredictProbability（[Target_mail_BY].[BikeBuyer]）

[Target_mail_BY]

[Target_mail_BY].[YearlyIncome]=t.[YearlyIncome]AND

[Target_mail_BY].[NumberChildrenAtHome]=t.[NumberChildrenAtHome]AND

[Target_mail_BY].[NumberCarsOwned]=t.[NumberCarsOwned]

4.5模型结构及模型删除

--模型结构删除

DROPMININGSTRUCTURETarget_mail_Structure

--模型删除

DROPMININGMODELTarget_mail

4.6模型复制

SELECT*INTOnew_Target_mail--新模型，可以选部分属性列，也可以全选

usingMicrosoft_Decision_Trees--指定算法

fromTarget_mail--已有模型