BINo07Topic08BISampleDMXSQL Server.docx
《BINo07Topic08BISampleDMXSQL Server.docx》由会员分享，可在线阅读，更多相关《BINo07Topic08BISampleDMXSQL Server.docx（13页珍藏版）》请在冰豆网上搜索。
BINo07Topic08BISampleDMXSQLServer
DMX实验
时间：
2009年11月1日课程：
商务智能（选修课）制作人：
赵亚伟
1.实验环境
服务器：
MicrosoftSQLServerAnalysisService2005、MicrosoftSQLServer2005
工具：
SQLServerBusinessIntelligenceDevelopmentStudio、SQLServerManagementStudio
2.数据模式
数据：
AdventureWorksDW数据仓库，选用表vTargetMail（视图）和ProspectiveBuyer。
表vTargetMail用于训练模型，表ProspectiveBuyer用于预测。
2.1挖掘用数据集市模式
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
（
CustomerKeylongkey,
AgelongContinuous,
CommuteDistanceTextDiscrete,
NumberCarsOwnedlongDiscrete,
NumberChildrenAtHomelongDiscrete,
RegionTextDiscrete,
TotalChildrenlongDiscrete,
YearlyIncomelongcontinuous,
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,
Age,
CommuteDistance,
NumberCarsOwned,
NumberChildrenAtHome,
Region,
TotalChildren,
YearlyIncome,
BikeBuyer
）
openquery（[AdventureWorksDW],
'select--属性与上述对应
CustomerKey,
Age,
CommuteDistance,
NumberCarsOwned,
NumberChildrenAtHome,
Region,
TotalChildren,
YearlyIncome,
BikeBuyer
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
fromTarget_mail.CONTENT
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],
'5Miles'AS[CommuteDistance],
'1'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。
SELECT
[Target_mail].[BikeBuyer],
PredictHistogram（[BikeBuyer]）
FROM
[Target_mail]
NATURALPREDICTIONJOIN
（SELECT50AS[Age]
）ASt
--成批预测
SELECT
t.[ProspectAlternateKey],
[Target_mail].[BikeBuyer],
PredictProbability（[Target_mail].[BikeBuyer]）
From
[Target_mail]
PREDICTIONJOIN
OPENQUERY（[AdventureWorksDW],
'SELECT
[ProspectAlternateKey],
[YearlyIncome],
[NumberChildrenAtHome],
[HouseOwnerFlag],
[NumberCarsOwned]
FROM
[dbo].[ProspectiveBuyer]'
）ASt
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
（
CustomerKeylongkey,
AgelongDiscrete,
CommuteDistanceTextDiscrete,
NumberCarsOwnedlongDiscrete,
NumberChildrenAtHomelongDiscrete,
RegionTextDiscrete,
TotalChildrenlongDiscrete,
YearlyIncomelongDiscrete,
BikeBuyerlongDiscretepredict
）
usingMicrosoft_NAIVE_BAYES
--模型训练
InsertintoTarget_mail_BY
（
CustomerKey,
Age,
CommuteDistance,
NumberCarsOwned,
NumberChildrenAtHome,
Region,
TotalChildren,
YearlyIncome,
BikeBuyer
）
openquery（[AdventureWorksDW],
'select--属性与上述对应
CustomerKey,
Age,
CommuteDistance,
NumberCarsOwned,
NumberChildrenAtHome,
Region,
TotalChildren,
YearlyIncome,
BikeBuyer
fromvTargetMail
'）
--预测查询
SELECT
t.[ProspectAlternateKey],
[Target_mail_BY].[BikeBuyer],
PredictProbability（[Target_mail_BY].[BikeBuyer]）
From
[Target_mail_BY]
PREDICTIONJOIN
OPENQUERY（[AdventureWorksDW],
'SELECT
[ProspectAlternateKey],
[YearlyIncome],
[NumberChildrenAtHome],
[HouseOwnerFlag],
[NumberCarsOwned]
FROM
[dbo].[ProspectiveBuyer]'
）ASt
ON
[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
升级会员 