Contenu du modèle d’exploration de données (Analysis Services - Exploration de données)Mining Model Content (Analysis Services - Data Mining)

Après avoir conçu et traité un modèle d'exploration de données à l'aide de données provenant de la structure d'exploration de données sous-jacente, celui-ci est complet et présente un contenu de modèle d'exploration de données.After you have designed and processed a mining model using data from the underlying mining structure, the mining model is complete and contains mining model content. Vous pouvez utiliser ce contenu pour faire des prédictions ou analyser vos données.You can use this content to make predictions or analyze your data.

Le contenu du modèle d'exploration de données inclut des métadonnées relatives au modèle, des statistiques sur les données, et les modèles découverts par l'algorithme d'exploration.Mining model content includes metadata about the model, statistics about the data, and patterns discovered by the mining algorithm. Selon l'algorithme utilisé, le contenu du modèle peut inclure des formules de régression, les définitions de règles et jeux d'éléments, ou des pondérations et d'autres statistiques.Depending on the algorithm that was used, the model content may include regression formulas, the definitions of rules and itemsets, or weights and other statistics.

Indépendamment de l'algorithme utilisé, le contenu du modèle d'exploration de données est présenté dans une structure standard.Regardless of the algorithm that was used, mining model content is presented in a standard structure. Vous pouvez parcourir la structure dans la Visionneuse de l’arborescence de contenu générique Microsoft, fournie dans Outils de données SQL Server (SSDT)SQL Server Data Tools (SSDT), puis basculer sur l’une des visionneuses personnalisées pour voir comment les informations sont interprétées et affichées graphiquement pour chaque type de modèle.You can browse the structure in the Microsoft Generic Content Tree Viewer, provided in Outils de données SQL Server (SSDT)SQL Server Data Tools (SSDT), and then switch to one of the custom viewers to see how the information is interpreted and displayed graphically for each model type. Vous pouvez aussi créer des requêtes par rapport au contenu du modèle d'exploration de données en utilisant un client qui prend en charge l'ensemble de lignes de schéma MINING_MODEL_CONTENT.You can also create queries against the mining model content by using any client that supports the MINING_MODEL_CONTENT schema rowset. Pour plus d’informations, consultez Tâches de requête d’exploration de données et procédures.For more information, see Data Mining Query Tasks and How-tos.

Cette section décrit la structure de base du contenu fournie pour tous les types de modèles d'exploration de données.This section describes the basic structure of the content provided for all kinds of mining models. Elle décrit les types de nœuds qui sont communs à tous les modèles d'exploration de données et explique comment interpréter les informations.It describes the node types that are common to all mining model content, and provides guidance on how to interpret the information.

Structure du contenu du modèle d'exploration de donnéesStructure of Mining Model Content

Nœuds dans le contenu du modèleNodes in the Model Content

Contenu du modèle d'exploration de données par type d'algorithmeMining Model Content by Algorithm Type

Outils pour afficher le contenu du modèle d'exploration de donnéesTools for Viewing Mining Model Content

Outils pour interroger le contenu du modèle d'exploration de donnéesTools for Querying Mining Model Content

Structure du contenu du modèle d'exploration de données Structure of Mining Model Content

Le contenu de chaque modèle est présenté sous la forme d'une série de nœuds.The content of each model is presented as a series of nodes. Un nœud est un objet dans un modèle d'exploration de données qui contient des métadonnées et des informations sur une partie du modèle.A node is an object within a mining model that contains metadata and information about a portion of the model. Les nœuds sont organisés dans une hiérarchie.Nodes are arranged in a hierarchy. La disposition exacte des nœuds dans la hiérarchie, et la signification de celle-ci, dépend de l'algorithme que vous avez utilisé.The exact arrangement of nodes in the hierarchy, and the meaning of the hierarchy, depends on the algorithm that you used. Par exemple, si vous créez un modèle d'arbres de décision, le modèle peut contenir plusieurs arborescences, toutes connectées à la racine modèle ; si vous créez un modèle de réseau neuronal, le modèle peut contenir un ou plusieurs réseaux, plus un nœud de statistiques.For example, if you create a decision trees model, the model can contain multiple trees, all connected to the model root; if you create a neural network model, the model may contain one or more networks, plus a statistics node.

Le premier nœud dans chaque modèle est appelé le nœud racine, ou le nœud parent du modèle .The first node in each model is called the root node, or the model parent node. Chaque modèle a un nœud racine (NODE_TYPE = 1).Every model has a root node (NODE_TYPE = 1). Le nœud racine contient généralement certaines métadonnées sur le modèle, et le nombre de nœuds enfants, mais il dispose de peu d'informations supplémentaires sur les modèles découverts par le modèle.The root node typically contains some metadata about the model, and the number of child nodes, but little additional information about the patterns discovered by the model.

Selon l'algorithme utilisé pour créer le modèle, le nœud racine a un nombre variable de nœuds enfants.Depending on which algorithm you used to create the model, the root node has a varying number of child nodes. Les nœuds enfants ont des significations différentes et possèdent un contenu différent en fonction de l'algorithme, de la profondeur et de la complexité des données.Child nodes have different meanings and contain different content, depending on the algorithm and the depth and complexity of the data.

Nœuds dans le contenu du modèle d'exploration de données Nodes in Mining Model Content

Dans un modèle d'exploration de données, un nœud est un conteneur à usage général qui stocke une information sur l'ensemble ou une portion du modèle.In a mining model, a node is a general-purpose container that stores a piece of information about all or part of the model. La structure de chaque nœud est toujours la même et contient les colonnes définies par l'ensemble des lignes du schéma d'exploration de données.The structure of each node is always the same, and contains the columns defined by the data mining schema rowset. Pour plus d’informations, consultez Ensemble de lignes DMSCHEMA_MINING_MODEL_CONTENT.For more information, see DMSCHEMA_MINING_MODEL_CONTENT Rowset.

Chaque nœud inclut des métadonnées relatives au nœud, notamment un identificateur unique dans chaque modèle, l'ID du nœud parent et le nombre de nœuds enfants que possède le nœud.Each node includes metadata about the node, including an identifier that is unique within each model, the ID of the parent node, and the number of child nodes that the node has. Les métadonnées identifient le modèle d'appartenance du nœud, et le catalogue de la base de données où ce modèle particulier est stocké.The metadata identifies the model to which the node belongs, and the database catalog where that particular model is stored. Le contenu supplémentaire fourni dans le nœud diffère selon le type d'algorithme utilisé pour créer le modèle, il peut contenir les éléments suivants :Additional content provided in the node differs depending on the type of algorithm you used to create the model, and might include the following:

  • Nombre de cas figurant dans les données d’apprentissage qui prend en charge une valeur prédite particulière.Count of cases in the training data that supports a particular predicted value.

  • Statistiques, telles que la moyenne, l'écart type ou la variance.Statistics, such as mean, standard deviation, or variance.

  • Coefficients et formules.Coefficients and formulas.

  • Définition de règles et pointeurs latéraux.Definition of rules and lateral pointers.

  • Fragments XML qui décrivent une partie du modèle.XML fragments that describe a portion of the model.

Liste des types de nœuds de contenu d'exploration de donnéesList of Mining Content Node Types

Le tableau suivant répertorie les différents types de nœud générés dans les modèles d'exploration de données.The following table lists the different types of nodes that are output in data mining models. Comme chaque algorithme traite les informations différemment, chaque modèle génère seulement certains types spécifiques de nœuds.Because each algorithm processes information differently, each model generates only a few specific kinds of nodes. Si vous modifiez l'algorithme, le type de nœud peut changer.If you change the algorithm, the type of nodes may change. De plus, si vous retraitez le modèle, le contenu de chaque nœud peut changer.Also, if you reprocess the model, the content of each node may change.

Note

Si vous utilisez un service d’exploration de données différent, ou si vous créez vos propres algorithmes de plug-in, les types de nœuds personnalisés supplémentaires peuvent être disponibles.If you use a different data mining service, or if you create your own plug-in algorithms, additional custom node types may be available.

NODE_TYPE IDNODE_TYPE ID Étiquette de nœudNode Label Contenu de nœudNode Contents
11 ModèleModel Nœud de métadonnées et de contenu racine.Metadata and root content node. S'applique à tous les types de modèle.Applies to all model types.
22 ArborescenceTree Nœud racine d'un arbre de classification.Root node of a classification tree. S'applique aux modèles d'arbre de décisionApplies to decision tree models.
33 IntérieurInterior Nœud fractionné intérieur dans une arborescence.Interior split node in a tree. S'applique aux modèles d'arbre de décisionApplies to decision tree models.
44 DistributionDistribution Nœud de terminaison d'une arborescence.Terminal node of a tree. S'applique aux modèles d'arbre de décisionApplies to decision tree models.
55 ClusterCluster Cluster détecté par l'algorithme.Cluster detected by the algorithm. S'applique aux modèles de clustering et aux modèles Sequence Clustering.Applies to clustering models and sequence clustering models.
66 UnknownUnknown Type de nœud inconnu.Unknown node type.
77 ItemSetItemSet Jeu d'éléments détecté par l'algorithme.Itemset detected by the algorithm. S'applique aux modèles d'association ou aux modèles Sequence Clustering.Applies to association models or sequence clustering models.
88 AssociationRuleAssociationRule Règle d'association détectée par l'algorithme.Association rule detected by the algorithm. S'applique aux modèles d'association ou aux modèles Sequence Clustering.Applies to association models or sequence clustering models.
99 PredictableAttributePredictableAttribute Attribut prévisible.Predictable attribute. S'applique à tous les types de modèle.Applies to all model types.
1010 InputAttributeInputAttribute Attribut d'entrée.Input attribute. S'applique aux arbres de décision et aux modèles Naïve Bayes.Applies to decision trees and Naïve Bayes models.
1111 InputAttributeStateInputAttributeState Statistiques à propos des états d'un attribut d'entrée.Statistics about the states of an input attribute. S'applique aux arbres de décision et aux modèles Naïve Bayes.Applies to decision trees and Naïve Bayes models.
1313 SéquenceSequence Nœud supérieur pour un composant de modèle de Markov d'un cluster de séquence.Top node for a Markov model component of a sequence cluster. S'applique aux modèles Sequence Clustering.Applies to sequence clustering models.
1414 TransitionTransition Matrice de transition Markov.Markov transition matrix. S'applique aux modèles Sequence Clustering.Applies to sequence clustering models.
1515 TimeSeriesTimeSeries Nœud non racine d'un arbre de série chronologique.Non-root node of a time series tree. S'applique aux modèles de série chronologique uniquement.Applies to time series models only.
1616 TsTreeTsTree Nœud racine d'un arbre de série chronologique qui correspond à une série chronologique prévisible.Root node of a time series tree that corresponds to a predictable time series. S'applique aux modèles de série chronologique, et uniquement si le modèle a été créé à l'aide du paramètre MIXED.Applies to time series models, and only if the model was created using the MIXED parameter.
1717 NNetSubnetworkNNetSubnetwork Un sous-réseau.One sub-network. S'applique aux modèles de réseau neuronal.Applies to neural network models.
1818 NNetInputLayerNNetInputLayer Groupe qui contient les nœuds de la couche d'entrée.Group that contains the nodes of the input layer. S'applique aux modèles de réseau neuronal.Applies to neural network models.
1919 NNetHiddenLayerNNetHiddenLayer Groupes qui contiennent les nœuds qui décrivent la couche masquée.Groups that contains the nodes that describe the hidden layer. S'applique aux modèles de réseau neuronal.Applies to neural network models.
2121 NNetOutputLayerNNetOutputLayer Groupes qui contiennent les nœuds de la couche de sortie.Groups that contains the nodes of the output layer. S'applique aux modèles de réseau neuronal.Applies to neural network models.
2121 NNetInputNodeNNetInputNode Nœud dans la couche d'entrée qui fait correspondre un attribut d'entrée aux états correspondants.Node in the input layer that matches an input attribute with the corresponding states. S'applique aux modèles de réseau neuronal.Applies to neural network models.
2222 NNetHiddenNodeNNetHiddenNode Nœud de la couche masquée.Node in the hidden layer. S'applique aux modèles de réseau neuronal.Applies to neural network models.
2323 NNetOutputNodeNNetOutputNode Nœud de la couche de sortie.Node in the output layer. Ce nœud correspond habituellement à un attribut de sortie et aux états correspondants.This node will usually match an output attribute and the corresponding states. S'applique aux modèles de réseau neuronal.Applies to neural network models.
2424 NNetMarginalNodeNNetMarginalNode Statistiques marginales sur le jeu d'apprentissage.Marginal statistics about the training set. S'applique aux modèles de réseau neuronal.Applies to neural network models.
2525 RegressionTreeRootRegressionTreeRoot Racine d'un arbre de régression.Root of a regression tree. S'applique aux modèles de régression linéaire et aux modèles d'arbres de décision qui contiennent des attributs d'entrée continus.Applies to linear regression models and to decision trees models that contains continuous input attributes.
2626 NaiveBayesMarginalStatNodeNaiveBayesMarginalStatNode Statistiques marginales sur le jeu d'apprentissage.Marginal statistics about the training set. S'applique aux modèles Naïve Bayes.Applies to Naïve Bayes models.
2727 ArimaRootArimaRoot Nœud racine d'un modèle ARIMA.Root node of an ARIMA model. S'applique uniquement aux modèles de série chronologique qui utilisent l'algorithme ARIMA.Applies to only those time series models that use the ARIMA algorithm.
2828 ArimaPeriodicStructureArimaPeriodicStructure Structure périodique dans un modèle ARIMA.A periodic structure in an ARIMA model. S'applique uniquement aux modèles de série chronologique qui utilisent l'algorithme ARIMA.Applies to only those time series models that use the ARIMA algorithm.
2929 ArimaAutoRegressiveArimaAutoRegressive Coefficient autorégressif pour un terme unique dans un modèle ARIMA.Autoregressive coefficient for a single term in an ARIMA model.

S'applique uniquement aux modèles de série chronologique qui utilisent l'algorithme ARIMA.Applies to only those time series models that use the ARIMA algorithm.
3030 ArimaMovingAverageArimaMovingAverage Coefficient de moyenne mobile pour un terme unique dans un modèle ARIMA.Moving average coefficient for a single term in an ARIMA model. S'applique uniquement aux modèles de série chronologique qui utilisent l'algorithme ARIMA.Applies to only those time series models that use the ARIMA algorithm.
10001000 CustomBaseCustomBase Point de départ pour les types de nœuds personnalisés.Starting point for custom node types. Les types de nœuds personnalisés doivent être des entiers supérieurs en valeur à cette constante.Custom node types must be integers greater in value than this constant. S'applique aux modèles créés à l'aide des algorithmes de plug-in personnalisés.Applies to models created by using custom plug-in algorithms.

ID, nom, légende et description du nœudNode ID, Name, Caption and Description

Le nœud racine de tout modèle est toujours affecté de l’ID unique (NODE_UNIQUE_NAME) de 0.The root node of any model always has the unique ID (NODE_UNIQUE_NAME) of 0. Tous les ID de nœud sont attribués automatiquement par Analysis Services et ne peuvent pas être modifiés.All node IDs are assigned automatically by Analysis Services and cannot be modified.

Le nœud racine pour chaque modèle contient également des métadonnées de base relatives au modèle.The root node for each model also contains some basic metadata about the model. Ces métadonnées incluent la base de données Analysis Services qui contient le modèle (MODEL_CATALOG), le schéma (MODEL_SCHEMA)et le nom du modèle (MODEL_NAME).This metadata includes the Analysis Services database where the model is stored (MODEL_CATALOG), the schema (MODEL_SCHEMA), and the name of the model (MODEL_NAME). Toutefois, ces informations sont répétées dans tous les nœuds du modèle, donc il n'est pas nécessaire d'interroger le nœud racine pour obtenir ces métadonnées.However, this information is repeated in all the nodes of the model, so you do not need to query the root node to get this metadata.

En plus d’un nom utilisé comme identificateur unique, chaque nœud a un nom (NODE_NAME).In addition to a name used as the unique identifier, each node has a name (NODE_NAME). Ce nom est créé automatiquement par l'algorithme à des fins d'affichage et ne peut pas être modifié.This name is automatically created by the algorithm for display purposes and cannot be edited.

Note

L'algorithme de gestion de clusters Microsoft permet aux utilisateurs d'attribuer des noms conviviaux à chaque cluster.The Microsoft Clustering algorithm allows users to assign friendly names to each cluster. Toutefois, ces noms conviviaux ne sont pas conservés sur le serveur, et si vous retraitez le modèle, l'algorithme génère de nouveaux noms de cluster.However, these friendly names are not persisted on the server, and if you reprocess the model, the algorithm will generate new cluster names.

La légende et description de chaque nœud sont générées automatiquement par l'algorithme et servent d'étiquettes pour vous aider à comprendre le contenu du nœud.The caption and description for each node are automatically generated by the algorithm, and serve as labels to help you understand the content of the node. Le texte généré pour chaque champ dépend du type de modèle.The text generated for each field depends on the model type. Dans certains cas, le nom, la légende et la description peuvent contenir la même chaîne exactement, mais dans certains modèles, la description peut contenir des informations supplémentaires.In some cases, the name, caption, and description may contain exactly the same string, but in some models, the description may contain additional information. Consultez la rubrique sur le type de modèle individuel pour des informations sur l'implémentation.See the topic about the individual model type for details of the implementation.

Note

Le serveur Analysis Services prend en charge le changement de nom des nœuds seulement si vous générez des modèles à l'aide d'un algorithme de plug-in personnalisé qui implémente le changement de nom.Analysis Services server supports the renaming of nodes only if you build models by using a custom plug-in algorithm that implements renaming,. Pour permettre le changement de nom, vous devez substituer les méthodes lorsque vous créez l'algorithme de plug-in.To enable renaming, you must override the methods when you create the plug-in algorithm.

Parents du nœud, enfants du nœud et cardinalité du nœud.Node Parents, Node Children, and Node Cardinality

La relation entre nœuds parents et enfants dans une arborescence est déterminée par la valeur de la colonne PARENT_UNIQUE_NAME.The relationship between parent and child nodes in a tree structure is determined by the value of the PARENT_UNIQUE_NAME column. Cette valeur est stockée dans le nœud enfant et vous indique l'ID du nœud parent.This value is stored in the child node and tells you the ID of the parent node. Les exemples suivants illustrent la manière dont ces informations peuvent être utilisées :Some examples follow of how this information might be used:

  • Un PARENT_UNIQUE_NAME qui est NULL indique que le nœud est le nœud supérieur du modèle.A PARENT_UNIQUE_NAME that is NULL means that the node is the top node of the model.

  • Si la valeur de PARENT_UNIQUE_NAME est égale à 0, le nœud doit être un descendant direct du nœud supérieur dans le modèle.If the value of PARENT_UNIQUE_NAME is 0, the node must be a direct descendant of the top node in the model. En effet, l'ID du nœud racine est toujours 0.This is because the ID of the root node is always 0.

  • Vous pouvez utiliser des fonctions dans une requête DMX (Data Mining Extensions) pour rechercher les descendants ou les parents d'un nœud particulier.You can use functions within a Data Mining Extensions (DMX) query to find descendants or parents of a particular node. Pour plus d’informations sur l’utilisation de fonctions dans des requêtes, consultez Requêtes d’exploration de données.For more information about using functions in queries, see Data Mining Queries.

    Lacardinalité fait référence au nombre d'éléments dans un ensemble.Cardinality refers to the number of items in a set. Dans le contexte d'un modèle d'exploration de données traité, la cardinalité indique le nombre d'enfants dans un nœud particulier.In the context of a processed mining model, cardinality tells you the number of children in a particular node. Par exemple, si un modèle d'arbre de décision a un nœud pour [Yearly Income], et ce nœud a deux nœuds enfants, un pour la condition [Yearly Income] = Élevé et un pour la condition, [Yearly Income] = Bas, la valeur de CHILDREN_CARDINALITY pour le nœud [Yearly Income] serait 2.For example, if a decision tree model has a node for [Yearly Income], and that node has two child nodes, one for the condition [Yearly Income] = High and one for the condition, [Yearly Income] = Low, the value of CHILDREN_CARDINALITY for the [Yearly Income] node would be 2.

Note

Dans Analysis ServicesAnalysis Services, seuls les nœuds enfants immédiats sont comptés lors du calcul de la cardinalité d'un nœud.In Analysis ServicesAnalysis Services, only the immediate child nodes are counted when calculating the cardinality of a node. Toutefois, si vous créez un algorithme de plug-in personnalisé, vous pouvez surcharger CHILDREN_CARDINALITY pour compter la cardinalité différemment.However, if you create a custom plug-in algorithm, you can overload CHILDREN_CARDINALITY to count cardinality differently. Cela peut s'avérer utile, par exemple, si vous souhaitez compter le nombre total de descendants, pas juste les enfants immédiats.This may be useful, for example, if you wanted to count the total number of descendants, not just the immediate children.

Même si la cardinalité est comptée de la même façon pour tous les modèles, votre interprétation ou l'utilisation de la valeur de cardinalité diffère selon le type de modèle.Although cardinality is counted in the same way for all models, how you interpret or use the cardinality value differs depending on the model type. Par exemple, dans un modèle de clustering, la cardinalité du nœud supérieur indique le nombre total de clusters trouvés.For example, in a clustering model, the cardinality of the top node tells you the total number of clusters that were found. Dans d'autres types de modèles, la cardinalité peut avoir toujours une valeur définie selon le type de nœud.In other types of models, cardinality may always have a set value depending on the node type. Pour plus d'informations sur la manière d'interpréter la cardinalité, consultez la rubrique sur le type de modèle individuel.For more information about how to interpret cardinality, see the topic about the individual model type.

Note

Certains modèles, tels que ceux créés par l'algorithme MNR (Microsoft Neural Network), contiennent aussi un type de nœud spécial qui fournit des statistiques descriptives sur les données d'apprentissage du modèle entier.Some models, such as those created by the Microsoft Neural Network algorithm, additionally contain a special node type that provides descriptive statistics about the training data for the entire model. Par définition, ces nœuds n'ont jamais de nœuds enfants.By definition, these nodes never have child nodes.

node distributionNode Distribution

La colonne NODE_DISTRIBUTION contient une table imbriquée qui fournit dans de nombreux nœuds des informations importantes et détaillées sur les modèles découverts par l'algorithme.The NODE_DISTRIBUTION column contains a nested table that in many nodes provides important and detailed information about the patterns discovered by the algorithm. Les statistiques exactes fournies dans cette table changent selon le type de modèle, la position du nœud dans l'arborescence, et si l'attribut prévisible est une valeur numérique continue ou une valeur discrète ; toutefois, elles peuvent inclure les valeurs minimales et maximales d'un attribut, les pondérations attribuées aux valeurs, le nombre de cas dans un nœud, les coefficients utilisés dans une formule de régression, et les mesures statistiques telles que l'écart type et la variance.The exact statistics provided in this table change depending on the model type, the position of the node in the tree, and whether the predictable attribute is a continuous numeric value or a discrete value; however, they can include the minimum and maximum values of an attribute, weights assigned to values, the number of cases in a node, coefficients used in a regression formula, and statistical measures such as standard deviation and variance. Pour plus d'informations sur la manière d'interpréter la distribution de nœud, consultez la rubrique pour le type spécifique du type de modèle que vous utilisez.For more information about how to interpret node distribution, see the topic for the specific type of model type that you are working with.

Note

La table NODE_DISTRIBUTION peut être vide, selon le type de nœud.The NODE_DISTRIBUTION table may be empty, depending on the node type. Par exemple, certains nœuds servent uniquement à organiser une collection de nœuds enfants, et ce sont les nœuds enfants qui contiennent les statistiques détaillées.For example, some nodes serve only to organize a collection of child nodes, and it is the child nodes that contain the detailed statistics.

La table NODE_DISTRIBUTION imbriquée contient toujours les colonnes ci-dessous.The nested table, NODE_DISTRIBUTION, always contains the following columns. Le contenu de chaque colonne varie selon le type de modèle.The content of each column varies depending on the model type. Pour plus d'informations sur des types de modèle spécifiques, consultez Contenu du modèle d'exploration de données par type d'algorithme.For more information about specific model types, see Mining Model Content by Algorithm Type.

ATTRIBUTE_NAMEATTRIBUTE_NAME
Le contenu varie par algorithme.Content varies by algorithm. Peut être le nom d'une colonne, telle qu'un attribut prévisible, une règle, un jeu d'éléments ou une information interne à l'algorithme, telle que la partie d'une formule.Can be the name of a column, such as a predictable attribute, a rule, an itemset, or a piece of information internal to the algorithm, such as part of a formula.

Cette colonne peut également contenir une paire attribut/valeur.This column can also contain an attribute-value pair.

ATTRIBUTE_VALUEATTRIBUTE_VALUE
Valeur de l'attribut nommé dans ATTRIBUTE_NAME.Value of the attribute named in ATTRIBUTE_NAME.

Si le nom d'attribut est une colonne, puis dans le cas le plus simple, ATTRIBUTE_VALUE contient une des valeurs discrètes pour cette colonne.If the attribute name is a column, then in the most straightforward case, the ATTRIBUTE_VALUE contains one of the discrete values for that column.

Selon le mode de traitement des valeurs par l’algorithme, ATTRIBUTE_VALUE peut également contenir un indicateur qui indique si une valeur existe pour l’attribut (Existing), ou si la valeur est NULL (Missing).Depending on how the algorithm processes values, the ATTRIBUTE_VALUE can also contain a flag that tells you whether a value exists for the attribute (Existing), or whether the value is null (Missing).

Par exemple, si votre modèle est configuré pour rechercher des clients qui ont acheté au moins une fois un article particulier, la colonne ATTRIBUTE_NAME peut contenir la paire attribut/valeur qui définit l’article en question, telle que Model = 'Water bottle', et la colonne ATTRIBUTE_VALUE contiendrait uniquement le mot clé Existing ou Missing.For example, if your model is set up to find customers who have purchased a particular item at least once, the ATTRIBUTE_NAME column might contain the attribute-value pair that defines the item of interest, such as Model = 'Water bottle', and the ATTRIBUTE_VALUE column would contain only the keyword Existing or Missing.

SUPPORTSUPPORT
Nombre de cas qui ont cette paire attribut/valeur, ou qui contiennent ce jeu d'éléments ou règle.Count of the cases that have this attribute-value pair, or that contain this itemset or rule.

En général, pour chaque nœud, la valeur de support indique combien de cas dans le jeu d'apprentissage sont inclus dans le nœud actuel.In general, for each node, the support value tells you how many cases in the training set are included in the current node. Dans la plupart des types de modèle, le support représente un nombre exact de cas.In most model types, support represents an exact count of cases. Les valeurs de support sont utiles parce que vous pouvez consulter la distribution de données dans vos cas d'apprentissage sans devoir interroger les données d'apprentissage.Support values are useful because you can view the distribution of data within your training cases without having to query the training data. Le serveur Analysis Services utilise également ces valeurs stockées pour calculer la probabilité stockée par rapport à la probabilité antérieure pour déterminer si l'inférence est forte ou faible.The Analysis Services server also uses these stored values to calculate stored probability versus prior probability, to determine whether inference is strong or weak.

Par exemple, dans un arbre de classification, la valeur de support indique le nombre de cas qui possèdent la combinaison d'attributs décrite.For example, in a classification tree, the support value indicates the number of cases that have the described combination of attributes.

Dans un arbre de décision, la somme de support à chaque niveau d'une arborescence est égale au support de son nœud parent.In a decision tree, the sum of support at each level of a tree sums to the support of its parent node. Par exemple, si un modèle qui contient 1200 cas est également divisé par genre, puis est sous-divisé par trois valeurs pour Revenu (Income) (Bas, Moyen et Élevé), les nœuds enfants du nœud (2), qui sont les nœuds (4), (5) et (6), sont toujours égaux au même nombre de cas que le nœud (2).For example, if a model containing 1200 cases is divided equally by gender, and then subdivided equally by three values for Income—Low, Medium, and High—the child nodes of node (2), which are nodes (4), (5) and (6), always sum to the same number of cases as node (2).

ID de nœud et attributs de nœudNode ID and node attributes Nombre de supportsSupport count
(1) Racine du modèle(1) Model root 12001200
(2) Sexe = Homme(2) Gender = Male

(3) Sexe = Femme(3) Gender = Female
600600

600600
(4) Sexe = Home et Revenu = Élevé(4) Gender = Male and Income = High

(5) Sexe = Homme et Revenu = Moyen(5) Gender = Male and Income = Medium

(6) Sexe = Homme et Revenu = Bas(6) Gender = Male and Income = Low
200200

200200

200200
(7) Sexe = Femme et Revenu = Élevé(7) Gender = Female and Income = High

(8) Sexe = Femme et Revenu = Moyen(8) Gender = Female and Income = Medium

(9) Sexe = Femme et Revenu = Bas(9) Gender = Female and Income = Low
200200

200200

200200

Pour un modèle de clustering, le nombre du support peut être pondéré pour inclure les probabilités d'appartenance à plusieurs clusters.For a clustering model, the number for support can be weighted to include the probabilities of belonging to multiple clusters. L'appartenance à plusieurs clusters est la méthode de clustering par défaut.Multiple cluster membership is the default clustering method. Dans ce scénario, comme chaque cas n'appartient pas nécessairement à un seul et unique cluster, le support dans ces modèles peut ne pas atteindre 100 pour cent sur l'ensemble des clusters.In this scenario, because each case does not necessarily belong to one and only one cluster, support in these models might not add up to 100 percent across all clusters.

PROBABILITYPROBABILITY
Indique la probabilité pour ce nœud spécifique dans le modèle entier.Indicates the probability for this specific node within the entire model.

En général, la probabilité représente le support pour cette valeur particulière, divisée par le nombre total de cas dans le nœud (NODE_SUPPORT).Generally, probability represents support for this particular value, divided by the total count of cases within the node (NODE_SUPPORT).

Toutefois, la probabilité est ajustée légèrement pour éliminer l'écart provoqué par des valeurs manquantes dans les données.However, probability is adjusted slightly to eliminate bias caused by missing values in the data.

Par exemple, si les valeurs actuelles pour [Enfants Totaux] sont 'Un' et 'Deux', il est souhaitable d'éviter de créer un modèle qui prédit qu'il est impossible de n'avoir pas d'enfants, ou d'avoir trois enfants.For example, if the current values for [Total Children] are 'One' and 'Two', you want to avoid creating a model that predicts that it is impossible to have no children, or to have three children. Pour garantir que les valeurs manquantes sont improbables, mais pas impossibles, l'algorithme ajoute toujours 1 au nombre de valeurs réelles pour tout attribut.To ensure that missing values are improbable, but not impossible, the algorithm always adds 1 to the count of actual values for any attribute.

Exemple :Example:

Probabilité de [Enfants Totaux = Un] = [Nombre de cas où Enfants Totaux = Un] + 1/[Nombre de tous les cas] + 3Probability of [Total Children = One] = [Count of cases where Total Children = One] + 1/[Count of all cases] + 3

Probabilité de [Enfants Totaux = Deux] = [Nombre de cas où Enfants Totaux = Deux] +1/[Nombre de tous les cas] +3Probability of [Total Children = Two]= [Count of cases where Total Children = Two] +1/[Count of all cases] +3

Note

L’ajustement de 3 est calculé en ajoutant 1 au nombre total de valeurs existantes, n.The adjustment of 3 is calculated by adding 1 to the total number of existing values, n.

Après ajustement, les probabilités pour toutes les valeurs sont encore égales à 1.After adjustment, the probabilities for all values still add up to 1. La probabilité pour la valeur sans données (dans cet exemple, [Enfants Totaux = 'Zéro', 'Trois', ou une autre valeur]) commence à un niveau non nul très bas, et augmente lentement au fur et à mesure de l'ajout de cas.The probability for the value with no data (in this example, [Total Children = 'Zero', 'Three', or some other value]), starts at a very low non-zero level, and rises slowly as more cases are added.

varianceVARIANCE
Indique la variance des valeurs dans le nœud.Indicates the variance of the values within the node. Par définition, la variance est toujours de 0 pour les valeurs discrètes.By definition, variance is always 0 for discrete values. Si le modèle prend en charge des valeurs continues, la variance est calculée comme σ (sigma), à l’aide du dénominateur n, ou le nombre de cas dans le nœud.If the model supports continuous values, variance is computed as σ (sigma), using the denominator n, or the number of cases in the node.

Il y a deux définitions dans l’utilisation générale pour représenter l’écart type (StDev).There are two definitions in general use to represent standard deviation (StDev). Une méthode pour calculer l'écart type prend en considération le décalage, et une autre méthode calcule l'écart type sans utiliser le décalage.One method for calculating standard deviation takes into account bias, and another method computes standard deviation without using bias. En général, les algorithmes d'exploration de données Microsoft n'utilisent pas le décalage lors du calcul de l'écart type.In general, Microsoft data mining algorithms do not use bias when computing standard deviation.

La valeur qui apparaît dans la table NODE_DISTRIBUTION est la valeur réelle pour tous les attributs discrets et discrétisés, et la moyenne pour les valeurs continues.The value that appears in the NODE_DISTRIBUTION table is the actual value for all discrete and discretized attributes, and the mean for continuous values.

VALUE_TYPEVALUE_TYPE
Indique le type des données de la valeur ou un attribut, et l'utilisation de la valeur.Indicates the data type of the value or an attribute, and the usage of the value. Certains types de valeurs s'appliquent uniquement à certains types de modèle :Certain value types apply only to certain model types:

ID VALUE_TYPEVALUE_TYPE ID Étiquette de valeurValue Label Nom de type de valeurValue Type Name
11 MissingMissing Indique que les données de cas ne contenaient pas de valeur pour cet attribut.Indicates that the case data did not contain a value for this attribute. L’état Missing est calculé séparément des attributs qui ont des valeurs.The Missing state is calculated separately from attributes that have values.
22 ExistingExisting Indique que les données de cas contiennent une valeur pour cet attribut.Indicates that the case data contains a value for this attribute.
33 ContinuContinuous Indique que la valeur de l'attribut est une valeur numérique continue et par conséquent peut être représentée par une moyenne ainsi que la variance et l'écart type.Indicates that the value of the attribute is a continuous numeric value and therefore can be represented by a mean, together with variance and standard deviation.
44 DiscretDiscrete Indique une valeur, soit numérique, soit texte, traitée comme discrète.Indicates a value, either numeric or text, that is treated as discrete.

Remarque Les valeurs discrètes peuvent être aussi manquantes ; toutefois, elles sont traitées différemment durant les calculs.Note Discrete values can also be missing; however, they are handled differently when making calculations. Pour plus d’informations, consultez Valeurs manquantes (Analysis Services - Exploration de données).For information, see Missing Values (Analysis Services - Data Mining).
55 DiscrétiséDiscretized Indique que l'attribut contient des valeurs numériques qui ont été discrétisées.Indicates that the attribute contains numeric values that have been discretized. La valeur sera une chaîne mise en forme qui décrit les compartiments de discrétisation.The value will be a formatted string that describes the discretization buckets.
66 ExistingExisting Indique que l'attribut a des valeurs numériques continues et que les valeurs ont été fournies dans les données, au contraire des valeurs manquantes ou déduites.Indicates that the attribute has continuous numeric values and that values have been supplied in the data, vs. values that are missing or inferred.
77 CoefficientCoefficient Indique une valeur numérique qui représente un coefficient.Indicates a numeric value that represents a coefficient.

Un coefficient est une valeur appliquée lors du calcul de la valeur de la variable dépendante.A coefficient is a value that is applied when calculating the value of the dependent variable. Par exemple, si votre modèle crée une formule de régression qui prédit le revenu selon l’âge, le coefficient est utilisé dans la formule qui relie l'âge au revenu.For example, if your model creates a regression formula that predicts income based on age, the coefficient is used in the formula that relates age to income.
88 Gain du scoreScore gain Indique une valeur numérique qui représente le gain de score pour un attribut.Indicates a numeric value that represents score gain for an attribute.
99 StatistiquesStatistics Indique une valeur numérique qui représente une statistique pour un régresseur.Indicates a numeric value that represents a statistic for a regressor.
1010 Nom unique de nœudNode unique name Indique que la valeur ne doit pas être traitée comme numérique ou chaîne, mais comme l'identificateur unique d'un autre nœud de contenu dans un modèle.Indicates that the value should not be handled not as numeric or string, but as the unique identifier of another content node in a model.

Par exemple, dans un modèle de réseau neuronal, les ID fournissent des pointeurs à partir des nœuds dans la couche de sortie vers les nœuds de la couche masquée, et des nœuds de la couche masquée vers les nœuds de la couche d'entrée.For example, in a neural network model, the IDs provide pointers from nodes in the output layer to nodes in the hidden layer, and from nodes in the hidden layer to nodes in the input layer.
1111 IntercepterIntercept Indique une valeur numérique qui représente l'interception dans une formule de régression.Indicates a numeric value that represents the intercept in a regression formula.
1212 PériodicitéPeriodicity Indique que la valeur dénote une structure périodique dans un modèle.Indicates that the value denotes a periodic structure in a model.

S'applique uniquement aux modèles de série chronologique qui contiennent un modèle ARIMA.Applies only to time series models that contain an ARIMA model.

Remarque : l’algorithme MTS (Microsoft Time Series) détecte automatiquement des structures périodiques en fonction des données d’apprentissage.Note: The Microsoft Time Series algorithm automatically detects periodic structures based on the training data. Par conséquent, les périodicités dans le modèle final peuvent inclure des valeurs de périodicité que vous n'avez pas fournies comme paramètre lors de la création du modèle.As a result, the periodicities in the final model may include periodicity values that you did not provide as a parameter when creating the model.
1313 Ordre autorégressifAutoregressive order Indique que la valeur représente le nombre de séries autorégressives.Indicates that the value represents the number of autoregressive series.

S'applique aux modèles de série chronologique qui utilisent l'algorithme ARIMA.Applies to time series models that use the ARIMA algorithm.
1414 Ordre des moyennes mobilesMoving average order Valeur qui représente le nombre de moyennes mobiles dans une série.Represents a value that represents the number of moving averages in a series.

S'applique aux modèles de série chronologique qui utilisent l'algorithme ARIMA.Applies to time series models that use the ARIMA algorithm.
1515 Ordre des différencesDifference order Indique que la valeur représente une valeur qui indique le nombre de fois où la série fait l'objet d'une différenciation.Indicates that the value represents a value that indicates how many times the series is differentiated.

S'applique aux modèles de série chronologique qui utilisent l'algorithme ARIMA.Applies to time series models that use the ARIMA algorithm.
1616 BooléenBoolean Représente un type booléen.Represents a Boolean type.
1717 AutresOther Représente une valeur personnalisée définie par l'algorithme.Represents a custom value defined by the algorithm.
1818 Chaîne rendue au préalablePrerendered string Représente une valeur personnalisée que l'algorithme rend sous la forme d'une chaîne.Represents a custom value that the algorithm renders as a string. Aucune mise en forme n'a été appliquée par le modèle objet.No formatting was applied by the object model.

Les types valeur sont dérivés de l'énumération ADMOMD.NET.The value types are derived from the ADMOMD.NET enumeration. Pour plus d’informations, consultez Microsoft.AnalysisServices.AdomdServer.MiningValueType.For more information, see Microsoft.AnalysisServices.AdomdServer.MiningValueType.

Score du nœudNode Score

La signification du score de nœud diffère selon le type de modèle et peut également être spécifique au type de nœud.The meaning of the node score differs depending on the model type, and can be specific to the node type as well. Pour plus d’informations sur la méthode de calcul de NODE_SCORE pour chaque type de modèle et de nœud, consultez Contenu du modèle d’exploration de données par type d’algorithme.For information about how NODE_SCORE is calculated for each model and node type, see Mining Model Content by Algorithm Type.

Probabilité du nœud et probabilité marginaleNode Probability and Marginal Probability

L'ensemble de lignes de schéma du modèle d'exploration de données inclut les colonnes NODE_PROBABILITY et MARGINAL_PROBABILITY pour tous les types de modèle.The mining model schema rowset includes the columns NODE_PROBABILITY and MARGINAL_PROBABILITY for all model types. Ces colonnes contiennent uniquement des valeurs dans les nœuds où une valeur de probabilité est explicite.These columns contain values only in nodes where a probability value is meaningful. Par exemple, le nœud racine d'un modèle ne contient jamais un score de probabilité.For example, the root node of a model never contains a probability score.

Dans les nœuds qui fournissent des scores de probabilité, la probabilité du nœud et les probabilités marginales représentent des calculs différents.In those nodes that do provide probability scores, the node probability and marginal probabilities represent different calculations.

  • Laprobabilité marginale est la probabilité d'atteindre le nœud à partir de son parent.Marginal probability is the probability of reaching the node from its parent.

  • Laprobabilité du nœud est la probabilité d'atteindre le nœud à partir de la racine.Node probability is the probability of reaching the node from the root.

  • Laprobabilité du nœud est toujours inférieure ou égale à la probabilité marginale.Node probability is always less than or equal to marginal probability.

    Par exemple, si l'alimentation de tous les clients dans un arbre de décision est répartie de manière égale par sexe (et aucune valeur ne manque), la probabilité des nœuds enfants doit être .5.For example, if the population of all customers in a decision tree is split equally by gender (and no values are missing), the probability of the child nodes should be .5. Toutefois, supposons que chacun des nœuds pour le sexe est également divisé par niveaux de revenu, Élevé, Moyen, et Bas.However, suppose that each of the nodes for gender is divided equally by income levels—High, Medium, and Low. Dans ce cas, le score MARGINAL_PROBABILITY pour chaque nœud enfant doit toujours être .33 mais la valeur NODE_PROBABILTY sera le produit de toutes les probabilités qui mènent à ce nœud et donc toujours inférieure à la valeur MARGINAL_PROBABILITY.In this case the MARGINAL_PROBABILITY score for each child node should always be .33 but the NODE_PROBABILTY value will be the product of all probabilities leading to that node and thus always less than the MARGINAL_PROBABILITY value.

Niveau de nœud/attribut et valeurLevel of node/attribute and value probabilité marginaleMarginal probability probabilité du nœudNode probability
Racine du modèleModel root

Tous les clients ciblesAll target customers
11 11
Clients cibles répartis par sexeTarget customers split by gender .5.5 .5.5
Clients cibles répartis par sexe, et répartis de nouveau en trois directions selon le revenuTarget customers split by gender, and split again three ways by income .33.33 .5 * .33 = .165.5 * .33 = .165

Règle du nœud et règle marginaleNode Rule and Marginal Rule

L'ensemble de lignes de schéma du modèle d'exploration de données inclut aussi les colonnes NODE_PROBABILITY et MARGINAL_PROBABILITY pour tous les types de modèle.The mining model schema rowset also includes the columns NODE_RULE and MARGINAL_RULE for all model types. Ces colonnes contiennent des fragments XML qui peuvent être utilisés pour sérialiser un modèle, ou représenter certaines parties de la structure de modèle.These columns contain XML fragments that can be used to serialize a model, or to represent some part of the model structure. Ces colonnes peuvent être vides pour certains nœuds, si une valeur n'a aucune signification.These columns may be blank for some nodes, if a value would be meaningless.

Deux types de règles XML sont fournis, semblables aux deux types de valeurs de probabilité.Two kinds of XML rules are provided, similar to the two kinds of probability values. Le fragment XML dans MARGINAL_RULE définit l'attribut et la valeur du nœud actuel, alors que le fragment XML dans NODE_RULE décrit le chemin d'accès au nœud actuel de la racine modèle.The XML fragment in MARGINAL_RULE defines the attribute and value for the current node, whereas the XML fragment in NODE_RULE describes the path to the current node from the model root.

Contenu du modèle d'exploration de données par type d'algorithme Mining Model Content by Algorithm Type

Chaque algorithme stocke des types différents d'informations dans le cadre de son schéma de contenu.Each algorithm stores different types of information as part of its content schema. Par exemple, l'algorithme de gestion des clusters MicrosoftMicrosoft génère de nombreux nœuds enfants qui représentent chacun un cluster possible.For example, the MicrosoftMicrosoft Clustering Algorithm generates many child nodes, each of which represents a possible cluster. Chaque nœud de cluster contient des règles qui décrivent des caractéristiques que partagent les éléments dans le cluster.Each cluster node contains rules that describe characteristics shared by items in the cluster. Par opposition, l'algorithme MLR ( MicrosoftMicrosoft Linear Regression) ne contient pas de nœuds enfants ; à la place, le nœud parent pour le modèle contient l'équation qui décrit la relation linéaire découverte par analyse.In contrast, the MicrosoftMicrosoft Linear Regression algorithm does not contain any child nodes; instead, the parent node for the model contains the equation that describes the linear relationship discovered by analysis.

La table suivante propose des liens vers des rubriques pour chaque type d'algorithme.The following table provides links to topics for each type of algorithm.

  • Rubriques de contenu de modèle : Expliquent la signification de chaque type de nœud pour chaque type d'algorithme et fournissent des recommandations sur les nœuds les plus pertinents dans un type de modèle particulier.Model content topics: Explain the meaning of each node type for each algorithm type, and provide guidance about which nodes are of most interest in a particular model type.

  • Rubriques de requêtes : Fournissent des exemples de requêtes par rapport à un type de modèle particulier et des recommandation sur la manière d'interpréter les résultats.Querying topics: Provide examples of queries against a particular model type and guidance on how to interpret the results.

Type d'algorithme ou de modèleAlgorithm or Model Type model contentModel Content Interrogation des modèles d'exploration de donnéesQuerying Mining Models
Modèles de règles d'associationAssociation rules models Contenu du modèle d’exploration de données pour les modèles d’association (Analysis Services - Exploration de données)Mining Model Content for Association Models (Analysis Services - Data Mining) Exemples de requêtes de modèle d'associationAssociation Model Query Examples
Modèles de clusteringClustering models Contenu du modèle d’exploration de données pour les modèles d’arbre de décision (Analysis Services - Exploration de données)Mining Model Content for Decision Tree Models (Analysis Services - Data Mining) Exemples de requêtes de modèle de clusteringClustering Model Query Examples
Modèle d'arbres de décisionDecision trees model Contenu du modèle d’exploration de données pour les modèles d’arbre de décision (Analysis Services - Exploration de données)Mining Model Content for Decision Tree Models (Analysis Services - Data Mining) Exemples de requêtes de modèle d'arbre de décisionDecision Trees Model Query Examples
Modèles de régression linéaireLinear regression models Contenu du modèle d’exploration de données pour les modèles de régression linéaire (Analysis Services - Exploration de données)Mining Model Content for Linear Regression Models (Analysis Services - Data Mining) Exemples de requête de modèle de régression linéaireLinear Regression Model Query Examples
Modèles de régression logistiqueLogistic regression models Contenu du modèle d’exploration de données pour les modèles de régression logistique (Analysis Services - Exploration de données)Mining Model Content for Logistic Regression Models (Analysis Services - Data Mining) Exemples de requête de modèle de régression linéaireLinear Regression Model Query Examples
Modèles Naïve BayesNaïve Bayes models Contenu du modèle d’exploration de données pour les modèles Naive Bayes (Analysis Services - Exploration de données)Mining Model Content for Naive Bayes Models (Analysis Services - Data Mining) Exemples de requêtes de modèle Naive BayesNaive Bayes Model Query Examples
Modèles de réseau neuronalNeural network models Contenu du modèle d’exploration de données pour les modèles de réseau neuronal (Analysis Services - Exploration de données)Mining Model Content for Neural Network Models (Analysis Services - Data Mining) Exemples de requêtes de modèle de réseau neuronalNeural Network Model Query Examples
Sequence clusteringSequence clustering Contenu du modèle d’exploration de données pour les modèles Sequence Clustering (Analysis Services - Exploration de données)Mining Model Content for Sequence Clustering Models (Analysis Services - Data Mining) Exemples de requêtes de modèle MSC (Sequence Clustering)Sequence Clustering Model Query Examples
Modèles de séries chronologiquesTime series models Contenu du modèle d’exploration de données pour les modèles de séries chronologiques (Analysis Services - Exploration de données)Mining Model Content for Time Series Models (Analysis Services - Data Mining) Exemples de requêtes de modèle de série chronologiqueTime Series Model Query Examples

Outils pour afficher le contenu du modèle d'exploration de données Tools for Viewing Mining Model Content

Lorsque vous parcourez ou explorez un modèle dans Outils de données SQL Server (SSDT)SQL Server Data Tools (SSDT), vous pouvez consulter les informations dans la Visionneuse de l'arborescence de contenu génériquequi est disponible dans Outils de données SQL Server (SSDT)SQL Server Data Tools (SSDT) et SQL Server Management StudioSQL Server Management Studio.When you browse or explore a model in Outils de données SQL Server (SSDT)SQL Server Data Tools (SSDT), you can view the information in the Microsoft Generic Content Tree Viewer, which is available in both Outils de données SQL Server (SSDT)SQL Server Data Tools (SSDT) and SQL Server Management StudioSQL Server Management Studio.

La Visionneuse de l'arborescence de contenu générique MicrosoftMicrosoft affiche les colonnes, les règles, les propriétés, les attributs, les nœuds et autre contenu du modèle en utilisant les mêmes informations disponibles dans l'ensemble de lignes du schéma du contenu du modèle d'exploration de données.The MicrosoftMicrosoft Generic Content Viewer displays the columns, rules, properties, attributes, nodes, and other content from the model by using the same information that is available in the content schema rowset of the mining model. L'ensemble de lignes de schéma du contenu est une infrastructure générique permettant de présenter des informations détaillées sur le contenu d'un modèle d'exploration de données.The content schema rowset is a generic framework for presenting detailed information about the content of a data mining model. Vous pouvez consulter le contenu du modèle dans tout client qui prend en charge des ensembles de lignes hiérarchiques.You can view model content in any client that supports hierarchical rowsets. La visionneuse dans Outils de données SQL Server (SSDT)SQL Server Data Tools (SSDT) présente ces informations dans une visionneuse de table HTML qui présente tous les modèles dans un format cohérent, en facilitant la compréhension de la structure des modèles que vous créez.The viewer in Outils de données SQL Server (SSDT)SQL Server Data Tools (SSDT) presents this information in an HTML table viewer that represents all models in a consistent format, making it easier to understand the structure of the models that you create. Pour plus d’informations, consultez Explorer un modèle à l’aide de la visionneuse de l’arborescence de contenu générique Microsoft.For more information, see Browse a Model Using the Microsoft Generic Content Tree Viewer.

Outils pour interroger le contenu du modèle d'exploration de données Tools for Querying Mining Model Content

Pour extraire un contenu de modèle d'exploration de données, vous devez créer une requête en fonction du modèle d'exploration de données.To retrieve mining model content, you must create a query against the data mining model.

La méthode la plus simple pour créer une requête de contenu est d'exécuter l'instruction DMX suivante dans SQL Server Management StudioSQL Server Management Studio:The easiest way to create a content query is to execute the following DMX statement in SQL Server Management StudioSQL Server Management Studio:

SELECT * FROM [<mining model name>].CONTENT  

Pour plus d’informations, consultez Requêtes d’exploration de données.For more information, see Data Mining Queries.

Vous pouvez également interroger le contenu du modèle d'exploration de données à l'aide des ensembles de lignes du schéma d'exploration de données.You can also query the mining model content by using the data mining schema rowsets. Un ensemble de lignes de schéma est une structure standard que les clients utilisent pour découvrir, parcourir et interroger des informations relatives aux structures et modèles d'exploration de données.A schema rowset is a standard structure that clients use to discover, browse, and query information about mining structures and models. Vous pouvez interroger les ensembles de lignes de schéma en utilisant les instructions XMLA, Transact-SQL ou DMX.You can query the schema rowsets by using XMLA, Transact-SQL, or DMX statements.

Dans SQL Server 2017SQL Server 2017, vous pouvez aussi accéder aux informations dans les ensembles de lignes de schéma d'exploration de données en ouvrant une connexion à l'instance Analysis ServicesAnalysis Services et en interrogeant les tables système.In SQL Server 2017SQL Server 2017, you can also access the information in the data mining schema rowsets by opening a connection to the Analysis ServicesAnalysis Services instance and querying the system tables. Pour plus d’informations, consultez Ensembles de lignes de schéma d’exploration de données (SSAS).For more information, see Data Mining Schema Rowsets (SSAs).

Voir aussiSee Also

Visionneuse de l’arborescence de contenu générique Microsoft (exploration de données) Microsoft Generic Content Tree Viewer (Data Mining)
Algorithmes d’exploration de données (Analysis Services - Exploration de données)Data Mining Algorithms (Analysis Services - Data Mining)