Microsoft Neural Network Algorithm

  • Artikel

Gilt für: SQL Server 2019 und früheren Analysis Services Azure Analysis Services Fabric/Power BI Premium

Wichtig

Data Mining wurde in SQL Server 2017 Analysis Services als veraltet eingestuft und wurde jetzt in SQL Server 2022 Analysis Services eingestellt. Die Dokumentation wird für veraltete und eingestellte Features nicht aktualisiert. Weitere Informationen finden Sie unter Abwärtskompatibilität von Analysis Services.

Der Microsoft Neural Network-Algorithmus ist eine Implementierung der beliebten und anpassungsfähigen Architektur neuronaler Netzwerke für maschinelles Lernen. Der Algorithmus testet jeden möglichen Status des Eingabeattributs mit jedem möglichen Status des vorhersagbaren Attributs und nutzt die Trainingsdaten für die Berechnung der Wahrscheinlichkeiten für jede Kombination. Sie können diese Wahrscheinlichkeiten sowohl für Klassifizierungs- als auch für Regressionsaufgaben verwenden, um ein Ergebnis basierend auf einigen Eingabeattributen vorherzusagen. Ein neuronales Netzwerk kann auch für die Zuordnungsanalyse verwendet werden.

Wenn Sie ein Miningmodell mit dem Microsoft Neural Network-Algorithmus erstellen, können Sie mehrere Ausgaben einschließen, und der Algorithmus erstellt mehrere Netzwerke. Die Anzahl der Netzwerke in einem einzelnen Miningmodell ist abhängig von der Anzahl der Status (oder Attributwerte) in den Eingabespalten sowie die Anzahl der vorhersagbaren Spalten, die das Miningmodell verwendet, und der Anzahl der Status in diesen Spalten.

Beispiel

Der Microsoft Neural Network-Algorithmus ist nützlich für die Analyse komplexer Eingabedaten, z. B. aus einem Fertigungs- oder kommerziellen Prozess, oder geschäftsspezifische Probleme, für die eine beträchtliche Menge an Trainingsdaten verfügbar ist, für die regeln jedoch nicht einfach mit anderen Algorithmen abgeleitet werden können.

Folgende Szenarien werden für die Verwendung des Microsoft Neural Network-Algorithmus empfohlen:

  • Marketing- und Werbeanalysen, z.B. zur Erfolgsermittlung einer direkten Werbung oder einer Radiowerbekampagne

  • Vorhersagen von Kursschwankungen, Währungsveränderungen oder anderen stark veränderlichen Finanzinformationen aus Verlaufsdaten

  • Analysieren von Produktions- und Industrieprozessen

  • Textmining

  • Jedes Vorhersagemodell, das komplexe Beziehungen zwischen vielen Eingaben und relativ wenigen Ausgaben analysiert

Funktionsweise des Algorithmus

Der Microsoft Neural Network-Algorithmus erstellt ein Netzwerk, das aus bis zu drei Knotenebenen (manchmal auch als Neuronen bezeichnet) besteht. Zu diesen Ebenen gehört eine Eingabeebene, die verborgene Ebeneund eine Ausgabeebene.

Eingabeebene: Eingabeknoten definieren alle Eingabeattributwerte für das Data Mining-Modell und deren Wahrscheinlichkeiten.

Verborgene Ebene: Verborgene Knoten empfangen die von Eingabeknoten bereitgestellten Eingaben und stellen Ausgabeknoten die empfangenen Ausgaben zur Verfügung. In der verborgenen Ebene werden den verschiedenen Wahrscheinlichkeiten der Eingaben Gewichtungen zugewiesen. Eine Gewichtung beschreibt die Relevanz oder Wichtigkeit einer bestimmten Eingabe zum verborgenen Knoten. Je größer die Gewichtung ist, die einer Eingabe zugewiesen wird, desto wichtiger ist der Wert dieser Eingabe. Gewichtungen können negativ sein, was bedeutet, dass ein bestimmtes Ergebnis durch die Eingabe eher unterdrückt als begünstigt werden kann.

Ausgabeebene: Ausgabeknoten stellen vorhersagbare Attributwerte des Data Mining-Modells dar.

Eine ausführliche Erklärung dazu, wie die Eingabeebene, die verborgene Ebene und die Ausgabeebene erstellt und eingestuft werden, finden Sie unter Technische Referenz für den Microsoft Neural Network-Algorithmus.

Erforderliche Daten für neuronale Netzwerkmodelle

Ein neuronales Netzwerkmodell muss eine Schlüsselspalte, mindestens eine Eingabespalte und mindestens eine vorhersagbare Spalte enthalten.

Data Mining-Modelle, die den Microsoft Neural Network-Algorithmus verwenden, werden stark von den Werten beeinflusst, die Sie für die Parameter angeben, die für den Algorithmus verfügbar sind. Die Parameter legen fest, wie Daten als Stichprobe genommen werden, wie die Daten in jeder Spalte verteilt werden oder werden sollen und wann die Funktionsauswahl aufgerufen wird, um die im endgültigen Modell zu verwendenden Werte einzugrenzen.

Weitere Informationen zum Festlegen der Parameter für das Anpassen des Modellverhaltens finden Sie unter Technische Referenz für den Microsoft Neural Network-Algorithmus.

Anzeigen eines neuronalen Netzwerkmodells

Um mit den Daten zu arbeiten und zu sehen, wie das Modell Eingaben mit Ausgaben korreliert, können Sie den Microsoft-Viewer für neuronale Netzwerkeverwenden. Über diesen benutzerdefinierten Viewer können Sie Eingabeattribute und deren Werte filtern und Diagramme einsehen, die darstellen, welche Auswirkungen diese auf die Ausgaben haben. Die QuickInfos im Viewer zeigen die Wahrscheinlichkeit und Prognose für jedes Paar an Eingabe- und Ausgabewerten an. Weitere Informationen finden Sie unter Modell mit dem Microsoft-Viewer für neuronale Netzwerke durchsuchen.

Die einfachste Art und Weise, die Struktur des Modells zu durchsuchen, erfolgt über den Microsoft Generic Content Tree-Viewer. Hier können Sie die Eingaben, Ausgaben und Netzwerke einsehen, die vom Modell erstellt wurden, und auf jeden beliebigen Knoten klicken, um diesen zu erweitern und Statistiken in Bezug auf die Knoten der Eingabe-, Ausgabeebene und der verborgenen Ebene einzusehen. Weitere Informationen finden Sie unter Durchsuchen eines Modells mit dem Microsoft Generic Content Tree Viewer.

Erstellen von Vorhersagen

Nachdem das Modell verarbeitet wurde, können Sie das Netzwerk und die innerhalb eines jeden Knotens gespeicherten Gewichtungen verwenden, um Vorhersagen zu erstellen. Ein neuronales Netzwerkmodell unterstützt Regression, Zuordnung und Klassifikationsanalyse. Daher können die Bedeutungen der einzelnen Vorhersagen unterschiedlich sein. Darüber hinaus können Sie das Modell selbst abfragen, um die gefundenen Korrelationen zu prüfen und die entsprechenden Statistiken abzurufen. Beispiele dazu, wie Abfragen für ein Modell für ein neuronales Netzwerk erstellt werden, finden Sie unter Abfragebeispiele für neuronale Netzwerkmodelle.

Allgemeine Informationen zur Erstellung von Abfragen für ein Data Mining-Modell finden Sie unter Data Mining-Abfragen.

Hinweise

  • Unterstützt nicht Drillthrough oder Data Mining-Dimensionen. Grund hierfür ist, dass die Struktur der Knoten im Miningmodell nicht zwangsläufig den zugrunde liegenden Daten direkt entspricht.

  • Unterstützt nicht die Erstellung von Modellen im PMML-Format (Predictive Model Markup Language).

  • Unterstützt die Verwendung von OLAP-Miningmodellen.

  • Unterstützt nicht die Erstellung von Data Mining-Dimensionen.

Weitere Informationen

Technische Referenz für den Microsoft Neural Network-Algorithmus
Miningmodellinhalt von neuronalen Netzwerkmodellen (Analysis Services - Data Mining)
Neuronale Beispiele für Netzwerkmodellabfragen
Microsoft Logistic Regression-Algorithmus