신경망 모델 쿼리 예제Neural Network Model Query Examples

적용 대상:예SQL Server Analysis Services아니요Azure Analysis ServicesAPPLIES TO:yesSQL Server Analysis ServicesnoAzure Analysis Services데이터 마이닝 모델에 대 한 쿼리를 만들 때 분석 중에 발견 된 패턴에 대 한 세부 정보를 제공 하는 내용 쿼리 또는 패턴을 사용 하는 모델에 새 데이터에 대 한 예측을 만드는 예측 쿼리를 만들 수 있습니다. When you create a query against a data mining model, you can create a content query, which provides details about the patterns discovered in analysis, or a prediction query, which uses the patterns in the model to make predictions for new data. 예를 들어 신경망 모델에 대한 내용 쿼리에서는 숨겨진 계층 수와 같은 모델 메타데이터를 검색할 수 있습니다.For example, a content query for a neural network model might retrieve model metadata such as the number of hidden layers. 또한 예측 쿼리는 입력에 따른 분류를 제안하고 선택적으로 각 분류에 대한 확률을 제공할 수 있습니다.Alternatively, a prediction query might suggest classifications based on an input and optionally provide probabilities for each classification.

이 섹션에서는 MicrosoftMicrosoft 신경망 알고리즘을 기반으로 하는 모델에 대해 쿼리를 만드는 방법을 설명합니다.This section explains how to create queries for models that are based on the MicrosoftMicrosoft Neural Network algorithm.

내용 쿼리Content queries

DMX를 사용하여 모델 메타데이터 가져오기Getting Model Metadata by Using DMX

스키마 행 집합에서 모델 메타데이터 검색Retrieving Model Metadata from the Schema Rowset

모델에 대한 입력 특성 검색Retrieving the Input Attributes for the Model

숨겨진 계층에서 가중치 검색Retrieving Weights from the Hidden Layer

예측 쿼리Prediction queries

단일 예측 만들기Creating a Singleton Prediction

신경망 모델에 대한 정보 찾기Finding Information about a Neural Network Model

모든 마이닝 모델은 마이닝 모델 스키마 행 집합이라고 하는 표준화된 스키마에 따라, 알고리즘을 통해 학습한 내용을 표시합니다.All mining models expose the content learned by the algorithm according to a standardized schema, the mining model schema rowset. 이 정보는 기본 메타데이터, 분석 시 발견된 구조 및 처리할 때 사용된 매개 변수를 포함하여 모델에 대한 세부 정보를 제공합니다.This information provides details about the model and includes the basic metadata, structures discovered in analysis, and parameters that are used when processing. 모델 콘텐츠에 대한 쿼리는 DMX(Data Mining Extensions) 문을 사용하여 만들 수 있습니다.You can create queries against the model content by using Data Mining Extension (DMX) statements.

예제 쿼리 1: DMX를 사용하여 모델 메타데이터 가져오기Sample Query 1: Getting Model Metadata by Using DMX

다음 쿼리는 MicrosoftMicrosoft 신경망 알고리즘을 사용하여 작성한 모델에 대한 몇 가지 기본 메타데이터를 반환합니다.The following query returns some basic metadata about a model that was built by using the MicrosoftMicrosoft Neural Network algorithm. 신경망 모델에서 모델의 부모 노드에는 모델의 이름, 모델이 저장된 데이터베이스의 이름 및 자식 노드의 수만 들어 있습니다.In a neural network model, the parent node of the model contains only the name of the model, the name of the database where the model is stored, and the number of child nodes. 그러나 marginal statistics node(NODE_TYPE = 24)는 이 기본 메타데이터와 모델에 사용된 입력 열에 대한 몇 가지 파생된 통계를 모두 제공합니다.However, the marginal statistics node (NODE_TYPE = 24) provides both this basic metadata and some derived statistics about the input columns used in the model.

다음 예제 쿼리는 중급 데이터 마이닝 자습서에서 만든 Call Center Default NN이라고 하는 마이닝 모델을 기반으로 합니다.The following sample query is based on the mining model that you create in the Intermediate Data Mining Tutorial, named Call Center Default NN. 이 모델은 콜 센터의 데이터를 사용하여 직원 배치, 호출 수, 주문 수 및 문제 수 간의 가능한 상관 관계를 탐색합니다.The model uses data from a call center to explore possible correlations between staffing and the number of calls, orders, and issues. DMX 문은 신경망 모델의 marginal statistics node에서 데이터를 검색합니다.The DMX statement retrieves data from the marginal statistics node of the neural network model. 관심 있는 입력 특성 통계가 NODE_DISTRIBUTION 중첩 테이블에 저장되어 있으므로 이 쿼리에는 FLATTENED 키워드가 포함됩니다.The query includes the FLATTENED keyword, because the input attribute statistics of interest are stored in a nested table, NODE_DISTRIBUTION. 그러나 쿼리 공급자가 계층적 행 집합을 지원하는 경우에는 FLATTENED 키워드를 사용할 필요가 없습니다.However, if your query provider supports hierarchical rowsets you do not need to use the FLATTENED keyword.

SELECT FLATTENED MODEL_CATALOG, MODEL_NAME,   
(    SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE,  
     [SUPPORT], [PROBABILITY], VALUETYPE   
     FROM NODE_DISTRIBUTION  
) AS t  
FROM [Call Center Default NN].CONTENT  
WHERE NODE_TYPE = 24  

참고

중첩 테이블 열 SUPPORT 및 PROBABILITY의 이름을 대괄호로 묶어 동일한 이름의 예약된 키워드와 구별해야 합니다.You must enclose the name of the nested table columns SUPPORT and PROBABILITY in brackets to distinguish them from the reserved keywords of the same name.

예제 결과:Example results:

MODEL_CATALOGMODEL_CATALOG MODEL_NAMEMODEL_NAME t.ATTRIBUTE_NAMEt.ATTRIBUTE_NAME t.ATTRIBUTE_VALUEt.ATTRIBUTE_VALUE t.SUPPORTt.SUPPORT t.PROBABILITYt.PROBABILITY t.VALUETYPEt.VALUETYPE
Adventure Works DW Multidimensional 2012Adventure Works DW Multidimensional 2012 Call Center NNCall Center NN Average Time Per IssueAverage Time Per Issue MissingMissing 00 00 11
Adventure Works DW Multidimensional 2012Adventure Works DW Multidimensional 2012 Call Center NNCall Center NN Average Time Per IssueAverage Time Per Issue < 64.7094100096< 64.7094100096 1111 0.4074074070.407407407 55

신경망 모델의 컨텍스트에서 스키마 행 집합 열의 의미에 대한 정의는 신경망 모델에 대한 마이닝 모델 콘텐츠(Analysis Services - 데이터 마이닝)이라고 하는 마이닝 모델을 기반으로 합니다.For a definition of what the columns in the schema rowset mean in the context of a neural network model, see Mining Model Content for Neural Network Models (Analysis Services - Data Mining).

예제 쿼리 2: 스키마 행 집합에서 모델 메타데이터 검색Sample Query 2: Retrieving Model Metadata from the Schema Rowset

데이터 마이닝 스키마 행 집합을 쿼리하여 DMX 내용 쿼리에 반환되는 것과 동일한 정보를 찾을 수 있는데,You can find the same information that is returned in a DMX content query by querying the data mining schema rowset. 스키마 행 집합은 몇 개의 열을 추가로 제공합니다.However, the schema rowset provides some additional columns. 다음 예제 쿼리에서는 모델이 생성되고 수정되고 마지막으로 처리된 날짜를 반환합니다.The following sample query returns the date that the model was created, the date it was modified, and the date that the model was last processed. 또한 이 쿼리에서는 모델 콘텐츠에서 쉽게 사용할 수 없는 예측 가능한 열과 모델을 작성하는 데 사용된 매개 변수에 대한 세부 정보도 반환합니다.The query also returns the predictable columns, which are not easily available from the model content, and the parameters that were used to build the model. 이 정보는 모델을 문서화하는 데 유용할 수 있습니다.This information can be useful for documenting the model.

SELECT MODEL_NAME, DATE_CREATED, LAST_PROCESSED, PREDICTION_ENTITY, MINING_PARAMETERS   
from $system.DMSCHEMA_MINING_MODELS  
WHERE MODEL_NAME = 'Call Center Default NN'  

예제 결과:Example results:

MODEL_NAMEMODEL_NAME Call Center Default NNCall Center Default NN
DATE_CREATEDDATE_CREATED 1/10/2008 5:07:38 PM1/10/2008 5:07:38 PM
LAST_PROCESSEDLAST_PROCESSED 1/10/2008 5:24:02 PM1/10/2008 5:24:02 PM
PREDICTION_ENTITYPREDICTION_ENTITY Average Time Per Issue,Average Time Per Issue,

Grade Of Service,Grade Of Service,

Number Of OrdersNumber Of Orders
MINING_PARAMETERSMINING_PARAMETERS HOLDOUT_PERCENTAGE=30, HOLDOUT_SEED=0,HOLDOUT_PERCENTAGE=30, HOLDOUT_SEED=0,

MAXIMUM_INPUT_ATTRIBUTES=255, MAXIMUM_OUTPUT_ATTRIBUTES=255,MAXIMUM_INPUT_ATTRIBUTES=255, MAXIMUM_OUTPUT_ATTRIBUTES=255,

MAXIMUM_STATES=100, SAMPLE_SIZE=10000, HIDDEN_NODE_RATIO=4MAXIMUM_STATES=100, SAMPLE_SIZE=10000, HIDDEN_NODE_RATIO=4

예제 쿼리 3: 모델에 대한 입력 특성 검색Sample Query 3: Retrieving the Input Attributes for the Model

입력 계층(NODE_TYPE = 18)의 자식 노드(NODE_TYPE = 20)를 쿼리하여 모델을 만드는 데 사용된 정확한 입력 특성-값 쌍을 검색할 수 있습니다.You can retrieve the input attribute-value pairs that were used to create the model by querying the child nodes (NODE_TYPE = 20) of the input layer (NODE_TYPE = 18). 다음 쿼리는 노드 설명에서 입력 특성 목록을 반환합니다.The following query returns a list of input attributes from the node descriptions.

SELECT NODE_DESCRIPTION  
FROM [Call Center Default NN].CONTENT  
WHERE NODE_TYPE = 2  

예제 결과:Example results:

NODE_DESCRIPTIONNODE_DESCRIPTION
Average Time Per Issue=64.7094100096 - 77.4002099712Average Time Per Issue=64.7094100096 - 77.4002099712
Day Of Week=Fri.Day Of Week=Fri.
Level 1 OperatorsLevel 1 Operators

여기에는 결과에 포함된 행 중 일부 대표 행만 표시되어 있습니다.Only a few representative rows from the results are shown here. 그러나 NODE_DESCRIPTION이 입력 특성의 데이터 형식에 따라 약간씩 다른 정보를 제공한다는 것을 알 수 있습니다.However, you can see that the NODE_DESCRIPTION provides slightly different information depending on the data type of the input attribute.

  • 특성이 불연속 값 또는 불연속화된 값인 경우 특성과 해당 값 또는 불연속화된 범위가 반환됩니다.If the attribute is a discrete or discretized value, the attribute and either its value or its discretized range are returned.

  • 특성이 연속 숫자 데이터 형식일 경우에는 NODE_DESCRIPTION에 특성 이름만 포함됩니다.If the attribute is a continuous numeric data type, the NODE_DESCRIPTION contains only the attribute name. 그러나 NODE_DISTRIBUTION 중첩 테이블을 검색하여 평균을 가져오거나 NODE_RULE을 반환하여 숫자 범위의 최소값 및 최대값을 가져올 수 있습니다.However, you can retrieve the nested NODE_DISTRIBUTION table to obtain the mean, or return the NODE_RULE to obtain the minimum and maximum values of the numeric range.

    다음 쿼리에서는 NODE_DISTRIBUTION 중첩 테이블을 쿼리하여 한 열에 있는 특성과 다른 열에 있는 해당 특성의 값을 반환하는 방법을 보여 줍니다.The following query shows how to query the nested NODE_DISTRIBUTION table to return the attributes in one column, and their values in another column. 연속 특성의 경우에는 특성 값은 특성 평균으로 나타냅니다.For continuous attributes, the value of the attribute is represented by its mean.

SELECT FLATTENED   
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE  
FROM NODE_DISTRIBUTION) as t  
FROM [Call Center Default NN -- Predict Service and Orders].CONTENT  
WHERE NODE_TYPE = 21  

예제 결과:Example results:

T.ATTRIBUTE_NAMEt.ATTRIBUTE_NAME t.ATTRIBUTE_VALUEt.ATTRIBUTE_VALUE
Average Time Per IssueAverage Time Per Issue 64.7094100096 - 77.400209971264.7094100096 - 77.4002099712
Day Of WeekDay Of Week Fri.Fri.
Level 1 OperatorsLevel 1 Operators 3.29629629629633.2962962962963

최소 및 최대 범위 값은 NODE_RULE 열에 저장되어 있으며 다음 예에 표시된 것과 같이 XML 조각으로 표현됩니다.The minimum and maximum range values are stored in the NODE_RULE column, and are represented as an XML fragment, as shown in the following example:

<NormContinuous field="Level 1 Operators">    
  <LinearNorm orig="2.83967303681711" norm="-1" />    
  <LinearNorm orig="3.75291955577548" norm="1" />    
</NormContinuous>    

예제 쿼리 4: 숨겨진 계층에서 가중치 검색Sample Query 4: Retrieving Weights from the Hidden Layer

신경망 모델의 모델 콘텐츠는 네트워크의 모든 노드에 대한 세부 정보를 쉽게 가져올 수 있도록 구조화되어 있습니다.The model content of a neural network model is structured in a way that makes it easy to retrieve details about any node in the network. 또한 노드의 ID 번호는 노드 유형 간의 관계를 파악하는 데 도움이 되는 정보를 제공합니다.Moreover, the ID numbers of the nodes provide information that helps you identify relationships among the node types.

다음 쿼리에서는 숨겨진 계층의 특정 노드에 저장된 계수를 검색하는 방법을 보여 줍니다.The following query demonstrates how to retrieve the coefficients that are stored under a particular node of the hidden layer. 숨겨진 계층은 메타데이터만 포함하는 구성 도우미 노드(NODE_TYPE = 19)와 특성 및 값의 다양한 조합에 대한 계수를 포함하는 여러 자식 노드(NODE_TYPE = 22)로 구성됩니다.The hidden layer consists of an organizer node (NODE_TYPE = 19), which contains only metadata, and multiple child nodes (NODE_TYPE = 22), which contain the coefficients for the various combinations of attributes and values. 이 쿼리에서는 계수 노드만 반환합니다.This query returns only the coefficient nodes.

SELECT FLATTENED TOP 1 NODE_UNIQUE_NAME,   
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE, VALUETYPE  
FROM NODE_DISTRIBUTION) as t  
FROM  [Call Center Default NN -- Predict Service and Orders].CONTENT  
WHERE NODE_TYPE = 22  
AND [PARENT_UNIQUE_NAME] = '40000000200000000' FROM [Call Center Default NN].CONTENT  

예제 결과:Example results:

NODE_UNIQUE_NAMENODE_UNIQUE_NAME T.ATTRIBUTE_NAMEt.ATTRIBUTE_NAME t.ATTRIBUTE_VALUEt.ATTRIBUTE_VALUE t.VALUETYPEt.VALUETYPE
7000000020000000070000000200000000 6000000000000000a6000000000000000a -0.178616518-0.178616518 77
7000000020000000070000000200000000 6000000000000000b6000000000000000b -0.267561918-0.267561918 77
7000000020000000070000000200000000 6000000000000000c6000000000000000c 0.110694970.11069497 77
7000000020000000070000000200000000 6000000000000000d6000000000000000d 0.1237577120.123757712 77
7000000020000000070000000200000000 6000000000000000e6000000000000000e 0.2945653430.294565343 77
7000000020000000070000000200000000 6000000000000000f6000000000000000f 0.222453180.22245318 77
7000000020000000070000000200000000 0.1888050450.188805045 77

여기에 표시된 일부 결과는 신경망 모델 콘텐츠에서 숨겨진 노드가 입력 노드에 관련되는 방식을 보여 줍니다.The partial results shown here demonstrate how the neural network model content relates the hidden node to the input nodes.

  • 숨겨진 계층에 있는 노드의 고유 이름은 항상 70000000으로 시작합니다.The unique names of nodes in the hidden layer always begin with 70000000.

  • 입력 계층에 있는 노드의 고유 이름은 항상 60000000으로 시작합니다.The unique names of nodes in the input layer always begin with 60000000.

    따라서 이러한 결과를 보면 ID 70000000200000000으로 표시된 노드에는 6개의 다른 계수(VALUETYPE = 7)가 전달되었음을 알 수 있습니다.Thus, these results tell you that the node denoted by the ID 70000000200000000 had six different coefficients (VALUETYPE = 7) passed to it. 계수 값은 ATTRIBUTE_VALUE 열에 있습니다.The values of the coefficients are in the ATTRIBUTE_VALUE column. ATTRIBUTE_NAME 열의 노드 ID를 사용하면 해당 계수가 어떤 입력 특성에 대한 계수인지 확인할 수 있습니다.You can determine exactly which input attribute the coefficient is for by using the node ID in the ATTRIBUTE_NAME column. 예를 들어 노드 ID 6000000000000000a는 입력 특성 및 값 Day of Week = 'Tue.' 를 참조합니다. 이 노드 ID를 사용하여 쿼리를 만들거나, Microsoft 일반 콘텐츠 트리 뷰어를 사용하여 이 노드를 찾아볼 수 있습니다.For example, the node ID 6000000000000000a refers to input attribute and value, Day of Week = 'Tue.' You can use the node ID to create a query, or you can browse to the node by using the Microsoft Generic Content Tree Viewer.

    마찬가지로 출력 계층(NODE_TYPE = 23)에 있는 노드의 NODE_DISTRIBUTION 테이블을 쿼리하면 각 출력 값의 계수를 확인할 수 있습니다.Similarly, if you query the NODE_DISTRIBUTION table of the nodes in the output layer (NODE_TYPE = 23), you can see the coefficients for each output value. 그러나 출력 계층에서 포인터는 다시 숨겨진 계층의 노드를 참조합니다.However, in the output layer, the pointers refer back to the nodes of the hidden layer. 자세한 내용은 신경망 모델에 대한 마이닝 모델 콘텐츠(Analysis Services - 데이터 마이닝)이라고 하는 마이닝 모델을 기반으로 합니다.For more information, see Mining Model Content for Neural Network Models (Analysis Services - Data Mining).

신경망 모델을 사용하여 예측 만들기Using a Neural Network Model to Make Predictions

MicrosoftMicrosoft 신경망 알고리즘은 분류와 회귀를 모두 지원합니다.The MicrosoftMicrosoft Neural Network algorithm supports both classification and regression. 이러한 모델에서 예측 함수를 사용하여 새 데이터를 제공하고 단일 또는 일괄 처리 예측을 만들 수 있습니다.You can use prediction functions with these models to provide new data and create either singleton or batch predictions.

예측 쿼리 5: 단일 예측 쿼리 만들기Sample Query 5: Creating a Singleton Prediction

신경망 모델에 대한 예측 쿼리를 작성하는 가장 쉬운 방법은 의 데이터 마이닝 디자이너에서 SQL Server Management StudioSQL Server Management Studio 마이닝 모델 예측 SQL Server Data Tools(SSDT)SQL Server Data Tools (SSDT)탭에 제공되는 예측 쿼리 작성기를 사용하는 것입니다.The easiest way to build a prediction query on a neural network model is to use the Prediction Query Builder, available on the Mining Prediction tab of Data Mining Designer in both SQL Server Management StudioSQL Server Management Studio and SQL Server Data Tools(SSDT)SQL Server Data Tools (SSDT). MicrosoftMicrosoft 신경망 뷰어에서 모델을 찾아서 관심 있는 특성을 필터링하고 추세를 확인한 다음 마이닝 모델 예측 탭으로 전환하여 쿼리를 만들고 해당 추세에 대한 새 값을 예측할 수 있습니다.You can browse the model in the MicrosoftMicrosoft Neural Network Viewer to filter attributes of interest and view trends, and then switch to the Mining Prediction tab to create a query and predict new values for those trends.

예를 들어 콜 센터 모델을 찾아서 주문량과 다른 특성 간의 상관 관계를 확인할 수 있습니다.For example, you can browse the call center model to view correlations between the order volumes and other attributes. 이 위해 열고 모델 뷰어에서 입력선택, <모든 >합니다.To do this, open the model in the viewer, and for Input, select <All>. 그런 다음 출력에서 Number of Orders를 선택합니다.Next, for Output, select Number of Orders. 값 1에서 가장 많은 주문 횟수를 나타내는 범위를 선택하고 값 2에서 가장 적은 주문 횟수를 나타내는 범위를 선택합니다.For Value 1, select the range that represents the most orders, and for Value 2, select the range that represents the fewest orders. 그러면 해당 모델에서 주문량과 상관 관계가 있는 모든 특성을 한눈에 볼 수 있습니다.You can then see at a glance all the attributes that the model correlates with order volume.

뷰어에서 결과를 보면 특정 요일에 주문량이 적고 운영자의 수를 늘릴수록 판매량이 많아지는 상관 관계가 있다는 것을 알 수 있습니다.By browsing the results in the viewer, you find that certain days of the week have low order volumes, and that an increase in the number of operators seems to be correlated with higher sales. 그런 다음 모델에 대한 예측 쿼리를 사용하여 "가상 분석" 가설을 테스트하고 주문량이 적은 요일의 수준 2 운영자 수를 늘리면 주문이 늘어날지 예측할 수 있습니다.You could then use a prediction query on the model to test a "what if" hypothesis and ask if increasing the number of level 2 operators on a low-volume day would increase orders. 이렇게 하려면 다음과 같은 쿼리를 만듭니다.To do this, create a query such as the following:

SELECT Predict([Call Center Default NN].[Number of Orders]) AS [Predicted Orders],  
PredictProbability([Call Center Default NN].[Number of Orders]) AS [Probability]  
FROM [Call Center Default NN]  
NATURAL PREDICTION JOIN   
(SELECT 'Tue.' AS [Day of Week],  
13 AS [Level 2 Operators]) AS t  

예제 결과:Example results:

Predicted OrdersPredicted Orders ProbabilityProbability
364364 0.9532…0.9532…

예측된 판매량은 화요일의 현재 판매량 범위보다 높으며 예측 확률은 매우 높습니다.The predicted sales volume is higher than the current range of sales for Tuesday, and the probability of the prediction is very high. 그러나 일괄 처리를 통해 여러 개의 예측을 만들어 모델에 대한 다양한 가설을 테스트할 수도 있습니다.However, you might want to create multiple predictions by using a batch process to test a variety of hypotheses on the model.

참고

Excel 2007용 데이터 마이닝 추가 기능에서는 로지스틱 회귀 마법사를 제공하기 때문에 서비스 등급을 특정 교대조에 대한 대상 수준으로 개선하는 데 필요한 두 번째 수준의 전화 상담원의 수와 같은 복잡한 질문에 보다 쉽게 대답할 수 있습니다.The Data Mining Add-Ins for Excel 2007 provide logistic regression wizards that make it easy to answer complex questions, such as how many Level Two Operators would be needed to improve service grade to a target level for a specific shift. 데이터 마이닝 추가 기능은 무료로 다운로드할 수 있으며 신경망 및/또는 로지스틱 회귀 알고리즘을 기반으로 하는 마법사를 포함합니다.The data mining add-ins are a free download, and include wizards that are based on the neural network and/or logistic regression algorithms. 자세한 내용은 Data Mining Add-ins for Office 2007 (Office 2007용 데이터 마이닝 추가 기능) 웹 사이트를 참조하세요.For more information, see the Data Mining Add-ins for Office 2007 Web site.

예측 함수 목록List of Prediction Functions

모든 MicrosoftMicrosoft 알고리즘은 공통 함수 집합을 지원합니다.All MicrosoftMicrosoft algorithms support a common set of functions. MicrosoftMicrosoft 신경망 알고리즘에만 사용되는 예측 함수는 없지만 이 알고리즘은 다음 표에 나열된 함수를 지원합니다.There are no prediction functions that are specific to the MicrosoftMicrosoft Neural Network algorithm; however, the algorithm supports the functions that are listed in the following table.

예측 함수Prediction Function 사용법Usage
IsDescendant(DMX)IsDescendant (DMX) 한 노드가 신경망 그래프에서 다른 노드의 자식인지 여부를 확인합니다.Determines whether one node is a child of another node in the neural network graph.
PredictAdjustedProbability(DMX)PredictAdjustedProbability (DMX) 가중치 확률을 반환합니다.Returns the weighted probability.
PredictHistogram(DMX)PredictHistogram (DMX) 현재 예측된 값과 관련 된 값의 테이블을 반환 합니다.Returns a table of values related to the current predicted value.
PredictVariance(DMX)PredictVariance (DMX) 예측 값의 분산을 반환합니다.Returns variance for the predicted value.
PredictProbability(DMX)PredictProbability (DMX) 예측 값의 확률을 반환합니다.Returns probability for the predicted value.
PredictStdev(DMX)PredictStdev (DMX) 예측 값의 표준 편차를 반환합니다.Returns the standard deviance for the predicted value.
PredictSupport(DMX)PredictSupport (DMX) 신경망 및 로지스틱 회귀 모델의 경우에는 모델 전체에 대한 학습 집합의 크기를 나타내는 단일 값을 반환합니다.For neural network and logistic regression models, returns a single value that represents the size of the training set for the entire model.

모든 MicrosoftMicrosoft 알고리즘에 공통적인 함수 목록은 알고리즘 참조(Analysis Services - 데이터 마이닝)를 참조하세요.For a list of the functions that are common to all MicrosoftMicrosoft algorithms, see Algorithm Reference (Analysis Services - Data Mining). 특정 함수의 구문은 DMX(Data Mining Extensions) 함수 참조를 참조하세요.For the syntax of specific functions, see Data Mining Extensions (DMX) Function Reference.

관련 항목:See Also

Microsoft Neural Network Algorithm Microsoft Neural Network Algorithm
Microsoft 신경망 알고리즘 기술 참조 Microsoft Neural Network Algorithm Technical Reference
신경망 모델 (에 대 한 마이닝 모델 콘텐츠 Analysis Services-데이터 마이닝 ) Mining Model Content for Neural Network Models (Analysis Services - Data Mining)
5 단원: 구축 신경망 네트워크 및 로지스틱 회귀 모델 ( 중급 데이터 마이닝 자습서 )Lesson 5: Building Neural Network and Logistic Regression Models (Intermediate Data Mining Tutorial)