結合モデルのクエリ例

[アーティクル]
05/26/2022

適用対象: Azure Analysis Services Power BI Premiumを SQL Server Analysis Servicesする

重要

データマイニングは、SQL Server 2017 Analysis Services で非推奨となり、SQL Server 2022 Analysis Services で廃止されました。非推奨および廃止された機能については、ドキュメントは更新されません。詳細については、 Analysis Services の下位互換性に関するページを参照してください。

データマイニングモデルに対するクエリを作成する際には、コンテンツクエリを作成することも、予測クエリを作成することもできます。コンテンツクエリでは、分析の間に検出されたルールやアイテムセットの詳細情報を取得できます。予測クエリでは、データ内で検出されたアソシエーションを使用して予測を行うことができます。アソシエーションモデルの場合、予測はルールに基づいて行われるのが一般的で、提案を行うために使用できます。一方、コンテンツクエリではアイテムセット間の関係を調べるのが一般的です。モデルに関するメタデータを取得することもできます。

このセクションでは、Microsoft アソシエーションルールアルゴリズムに基づくモデルに対してこれらの種類のクエリを作成する方法について説明します。

コンテンツクエリ

DMX を使用してモデルメタデータデータを取得する

予測クエリ

モデルに関する情報の入手

すべてのマイニングモデルでは、アルゴリズムによって学習されたコンテンツが、標準化されたスキーマに従って公開されます。このスキーマを、マイニングモデルスキーマ行セットと呼びます。マイニングモデルスキーマ行セットに対するクエリは、データマイニング拡張機能 (DMX) ステートメントを使用するか、ストアドプロシージャSQL Server Analysis Services使用して作成できます。 SQL Server 2017 では、SQLのような構文を使用して、スキーマ行セットをシステムテーブルとして直接クエリすることもできます。

サンプルクエリ 1: DMX を使用してモデルメタデータを取得する

次のクエリは、アソシエーションモデル Associationに関する基本的なメタデータ (モデルの名前、モデルが格納されているデータベース、モデルの子ノードの数など) を返します。このクエリでは、DMX コンテンツクエリを使用してモデルの親ノードからメタデータを取得しています。

SELECT MODEL_CATALOG, MODEL_NAME, NODE_CAPTION,   
NODE_SUPPORT, [CHILDREN_CARDINALITY], NODE_DESCRIPTION  
FROM Association.CONTENT  
WHERE NODE_TYPE = 1

注意

CHILDREN_CARDINALITY という列名は、MDX の同名の予約済みキーワードと区別するために角かっこで囲む必要があります。

結果の例:

行	メタデータ
MODEL_CATALOG	Association Test
MODEL_NAME	関連付け
NODE_CAPTION	Association Rules Model
NODE_SUPPORT	14879
CHILDREN_CARDINALITY	942
NODE_DESCRIPTION	Association Rules Model; ITEMSET_COUNT=679; RULE_COUNT=263; MIN_SUPPORT=14; MAX_SUPPORT=4334; MIN_ITEMSET_SIZE=0; MAX_ITEMSET_SIZE=3; MIN_PROBABILITY=0.400390625; MAX_PROBABILITY=1; MIN_LIFT=0.14309369632511; MAX_LIFT=1.95758227647523

関連付けモデルでのこれらの列の意味の定義については、「関連付けモデルのマイニングモデルコンテンツ (Analysis Services - データマイニング)」を参照してください。

トップに戻る

サンプルクエリ 2: スキーマ行セットから追加のメタデータを取得する

データマイニングスキーマ行セットに対してクエリを実行すると、DMX コンテンツクエリで返されたのと同じ情報を取得できます。ただし、スキーマ行セットから返される情報にはいくつかの追加の列があります (モデルが最後に処理された日、マイニング構造、予測可能な属性として使用されている列の名前など)。

SELECT MODEL_CATALOG, MODEL_NAME, SERVICE_NAME, PREDICTION_ENTITY,   
MINING_STRUCTURE, LAST_PROCESSED  
FROM $system.DMSCHEMA_MINING_MODELS  
WHERE MODEL_NAME = 'Association'

結果の例:

行	メタデータ
MODEL_CATALOG	Adventure Works DW Multidimensional 2012
MODEL_NAME	関連付け
SERVICE_NAME	Association Rules Model
PREDICTION_ENTITY	v Assoc Seq Line Items
MINING_STRUCTURE	関連付け
LAST_PROCESSED	9/29/2007 10:21:24 PM

トップに戻る

サンプルクエリ 3: モデルの元のパラメーターを取得する

次のクエリは、モデルの作成時に使用されたパラメーター設定の詳細を含む 1 つの列を返します。

SELECT MINING_PARAMETERS   
from $system.DMSCHEMA_MINING_MODELS  
WHERE MODEL_NAME = 'Association'

結果の例:

MAXIMUM_ITEMSET_COUNT=200000,MAXIMUM_ITEMSET_SIZE=3,MAXIMUM_SUPPORT=1,MINIMUM_SUPPORT=9.40923449156529E-04,MINIMUM_IMPORTANCE=-999999999,MINIMUM_ITEMSET_SIZE=0,MINIMUM_PROBABILITY=0.4

トップに戻る

ルールとアイテムセットに関する情報の入手

アソシエーションモデルの用途としては、頻度の高いアイテムセットに関する情報の検出と、特定のルールやアイテムセットに関する詳細の抽出の 2 つが一般的です。たとえば、スコアによって特に興味深いとされたルールのリストを抽出したり、最も一般的なアイテムセットのリストを作成したりすることができます。このような情報を取得するには、DMX コンテンツクエリを使用します。 Microsoft アソシエーションビューアーを使用してこの情報を参照することもできます。

サンプルクエリ 4: アイテムセットと製品のリストを取得する

次のクエリは、すべてのアイテムセットを、各アイテムセットに含まれる製品のリストから成る入れ子になったテーブルと共に取得します。 NODE_NAME 列にはモデル内のアイテムセットの一意の ID が、NODE_CAPTION 列にはアイテムの説明テキストが含まれています。この例では、入れ子になったテーブルがフラット化されているため、アイテムセットに 2 つの製品が含まれている場合は結果に 2 つの行が生成されます。使用しているクライアントが階層データをサポートしている場合は FLATTENED キーワードを省略できます。

SELECT FLATTENED NODE_NAME, NODE_CAPTION,  
NODE_PROBABILITY, NODE_SUPPORT,  
(SELECT ATTRIBUTE_NAME FROM NODE_DISTRIBUTION) as PurchasedProducts  
FROM Association.CONTENT  
WHERE NODE_TYPE = 7

結果の例:

行	メタデータ
NODE_NAME	37
NODE_CAPTION	Sport-100 = Existing
NODE_PROBABILITY	0.291283016331743
NODE_SUPPORT	4334
PURCHASEDPRODUCTS.ATTRIBUTE_NAME	v Assoc Seq Line Items(Sport-100)

トップに戻る

サンプルクエリ 5: 上位 10 個のアイテムセットを取得する

この例は、DMX に既定で用意されているグループ化と順序付けの関数の使用方法を示しています。このクエリでは、各ノードのサポートで順序付けした場合の上位 10 個のアイテムセットが返されます。 Transact-SQL の場合のように結果を明示的にグループ化する必要はなく、各クエリで集計関数を 1 つ使用するだけで済みます。

SELECT TOP 10 (NODE_SUPPORT),NODE_NAME, NODE_CAPTION  
FROM Association.CONTENT  
WHERE NODE_TYPE = 7

結果の例:

行	メタデータ
NODE_SUPPORT	4334
NODE_NAME	37
NODE_CAPTION	Sport-100 = Existing

トップに戻る

モデルを使用して予測を行う

アソシエーションルールモデルは、アイテムセットで検出された相関関係に基づく提案を生成するためによく使用されます。したがって、アソシエーションルールモデルに基づく予測クエリを作成する際には、そのモデルのルールを使用して新しいデータに基づく推測を行うのが一般的です。 PredictAssociation (DMX) は、推奨事項を返す関数であり、クエリ結果をカスタマイズするために使用できるいくつかの引数があります。

アソシエーションモデルに対するクエリは、そのほか、異なるクロスセル戦略の効果を比較できるようにさまざまなルールやアイテムセットの信頼度を取得するためにも使用できます。以降の例は、このようなクエリの作成方法を示しています。

サンプルクエリ 6: 関連のあるアイテムを予測する

この例では、中間データマイニングチュートリアル (Analysis Services - データマイニング) で作成した関連付けモデルを使用します。この例は、特定の製品を購入した顧客に対してどの製品を提案すればよいかを示す予測クエリの作成方法を示しています。この種類のクエリでは、SELECT でモデルに値を指定 します。...UNION ステートメントは、シングルトンクエリと呼ばれます。新しい値に対応する予測可能なモデル列は入れ子になったテーブルであるため、1 つの SELECT 句を使用して新しい値を入れ子になったテーブル列 [Model]にマップし、もう 1 つの SELECT 句を使用して入れ子になったテーブルの列をケースレベルの列 [v Assoc Seq Line Items]にマップする必要があります。キーワード INCLUDE-STATISTICS をクエリに追加すると、提案の確率とサポートも確認できます。

SELECT PredictAssociation([Association].[vAssocSeqLineItems],INCLUDE_STATISTICS, 3)  
FROM [Association]  
NATURAL PREDICTION JOIN   
(SELECT  
(SELECT 'Classic Vest' as [Model])  
AS [v Assoc Seq Line Items])  
AS t

結果の例:

モデル	$SUPPORT	$PROBABILITY	$ADJUSTEDPROBABILITY
Sport-100	4334	0.291283	0.252696
Water Bottle	2866	0.19262	0.175205
Patch kit	2113	0.142012	0.132389

トップに戻る

サンプルクエリ 7: 関連するアイテムセットの信頼度を特定する

提案を生成するにはルールが便利ですが、データセット内のパターンをより深く分析するためにはアイテムセットの方が興味深い対象であると言えます。たとえば、前のサンプルクエリで返された提案が満足できるものでなかった場合、Product A を含む他のアイテムセットを調べると、Product A があらゆる種類の製品と一緒に購入されるような付属品なのか、それとも特定の製品の購入との間に強い相関関係があるのかがわかります。これらのリレーションシップを調べる最も簡単な方法は、Microsoft Association Viewer でアイテムセットをフィルター処理することです。ただし、クエリを使用して同じ情報を取得できます。

次のサンプルクエリは、Water Bottle というアイテムを含むすべてのアイテムセットを、単一のアイテムの Water Bottle も含めて返します。

SELECT TOP 100 FROM   
(  
SELECT FLATTENED NODE_CAPTION, NODE_SUPPORT,   
(SELECT ATTRIBUTE_NAME from NODE_DISTRIBUTION  
WHERE ATTRIBUTE_NAME = 'v Assoc Seq Line Items(Water Bottle)') as D  
FROM Association.CONTENT  
WHERE NODE_TYPE = 7  
) AS Items  
WHERE [D.ATTRIBUTE_NAME] <> NULL  
ORDER BY NODE_SUPPORT DESC

結果の例:

NODE_CAPTION	NODE_SUPPORT	D.ATTRIBUTE_NAME
Water Bottle = Existing	2866	v Assoc Seq Line Items(Water Bottle)
Mountain Bottle Cage = Existing, Water Bottle = Existing	1136	v Assoc Seq Line Items(Water Bottle)
Road Bottle Cage = Existing, Water Bottle = Existing	1068	v Assoc Seq Line Items(Water Bottle)
Water Bottle = Existing, Sport-100 = Existing	734	v Assoc Seq Line Items(Water Bottle)

このクエリでは、条件に一致した入れ子になったテーブルの行と、外部テーブル (ケーステーブル) のすべての行が返されます。したがって、対象の属性名が NULL 値になっているケーステーブル行を除外する条件を追加する必要があります。

トップに戻る

関数一覧

すべての Microsoft アルゴリズムでは、共通の関数セットがサポートされています。ただし、Microsoft Association アルゴリズムでは、次の表に示す追加の関数がサポートされています。

予測関数	使用
IsDescendant (DMX)	あるノードがニューラルネットワークグラフ内の別のノードの子であるかどうかを示します。
IsInNode (DMX)	指定されたノードが現在のケースを含んでいるかどうかを示します。
PredictAdjustedProbability (DMX)	重み付け確率を返します。
PredictAssociation (DMX)	結合データセットのメンバーシップを予測します。
PredictHistogram (DMX)	現在の予測値に関連する値のテーブルを返します。
PredictNodeId (DMX)	各ケースの Node_ID を返します。
PredictProbability (DMX)	予測値の確率を返します。
PredictSupport (DMX)	指定された状態に対するサポート値を返します。
PredictVariance (DMX)	予測値の分散を返します。

結合モデルのクエリ例

モデルに関する情報の入手

サンプル クエリ 1: DMX を使用してモデル メタデータを取得する

サンプル クエリ 2: スキーマ行セットから追加のメタデータを取得する

サンプル クエリ 3: モデルの元のパラメーターを取得する

ルールとアイテムセットに関する情報の入手

サンプル クエリ 4: アイテムセットと製品のリストを取得する

サンプル クエリ 5: 上位 10 個のアイテムセットを取得する

モデルを使用して予測を行う

サンプル クエリ 6: 関連のあるアイテムを予測する

サンプル クエリ 7: 関連するアイテムセットの信頼度を特定する

関数一覧

関連項目

サンプルクエリ 1: DMX を使用してモデルメタデータを取得する

サンプルクエリ 2: スキーマ行セットから追加のメタデータを取得する

サンプルクエリ 3: モデルの元のパラメーターを取得する

サンプルクエリ 4: アイテムセットと製品のリストを取得する

サンプルクエリ 5: 上位 10 個のアイテムセットを取得する

サンプルクエリ 6: 関連のあるアイテムを予測する

サンプルクエリ 7: 関連するアイテムセットの信頼度を特定する