デシジョン ツリー モデルの照会 (Analysis Services - データ マイニング)

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、モデルに関するメタデータを取得できます (作成された日時、最後に処理された日時、基になるマイニング構造の名前、予測可能な属性として使用されている列の名前など)。モデルが最初に作成されたときに使用されたパラメータを取得することもできます。

select MINING_PARAMETERS 
from $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'TM_Decision Tree'

サンプルの結果 :

MINING_PARAMETERS

COMPLEXITY_PENALTY=0.5, MAXIMUM_INPUT_ATTRIBUTES=255,MAXIMUM_OUTPUT_ATTRIBUTES=255,MINIMUM_SUPPORT=10,SCORE_METHOD=4,SPLIT_METHOD=3,FORCE_REGRESSOR=

トップに戻る

次のクエリは、「基本的なデータ マイニング チュートリアル」で作成したデシジョン ツリー モデルに関する基本的な情報を返します。このクエリでは、種類が 2 のノード (特定の予測可能な属性を表すツリーの最上位のノード) がすべて返されます。このモデルに含まれている予測可能な属性は 1 つなので、ツリー ノードは 1 つしかありません。しかし、デシジョン ツリー アルゴリズムを使用してアソシエーション モデルを作成した場合は、各製品に 1 つずつ、何百ものツリーがあることもあります。

注意
CHILDREN_CARDINALITY という列は、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。

SELECT MODEL_NAME, NODE_NAME, NODE_CAPTION, 
NODE_SUPPORT, [CHILDREN_CARDINALITY]
FROM TM_DecisionTrees.CONTENT
WHERE NODE_TYPE = 2

例の結果を次に示します。

デシジョン ツリー モデルの特定のノードの基数は、そのノードの直接の子の数を表します。したがって、上のクエリで返されたノードの基数から、このモデルでは、対象になる母集団 (自転車を購入する可能性がある顧客) が 5 つのサブグループに分割されていることがわかります。次の関連するクエリは、この 5 つのサブグループの子を、子ノードの属性と値の分布と共に返します。サポート、確率、分散などの統計は、NODE_DISTRIBUTION という入れ子になったテーブルに格納されているため、この例では、入れ子になったテーブル列を出力するために FLATTENED キーワードを使用しています。

注意
入れ子になったテーブル列である SUPPORT は、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。

SELECT FLATTENED NODE_NAME, NODE_CAPTION,
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE, [SUPPORT]
FROM NODE_DISTRIBUTION) AS t
FROM TM_DecisionTree.CONTENT
WHERE [PARENT_UNIQUE_NAME] = '000000001'

例の結果を次に示します。

これらの結果から、自転車を購入した顧客 ([Bike Buyer] = 1) のうち、1067 人の顧客は車を 1 台も所有しておらず、473 人の顧客は車を 3 台所有していることがわかります。

実際に自転車を購入した顧客についてさらに調査する場合は、次の例のようにクエリで IsDescendant (DMX) 関数を使用すると、任意のサブツリーについて追加の詳細を表示することができます。次のクエリは、42 歳以上の顧客を含むツリーのリーフ ノード (NODE_TYPE = 4) を取得して、自転車を購入した顧客の数を返します。このクエリでは、入れ子になったテーブルの行が Bike Buyer = 1 の行のみに制限されています。

SELECT FLATTENED NODE_NAME, NODE_CAPTION,NODE_TYPE,
(
SELECT [SUPPORT] FROM NODE_DISTRIBUTION WHERE ATTRIBUTE_NAME = 'Bike Buyer' AND ATTRIBUTE_VALUE = '1'
) AS t
FROM TM_DecisionTree.CONTENT
WHERE ISDESCENDANT('0000000010001')
AND NODE_TYPE = 4

例の結果を次に示します。

トップに戻る

連続属性の回帰を含むデシジョン ツリー モデルを作成すると、回帰式を使用して予測を行ったり、回帰式に関する情報を抽出したりすることができます。回帰モデルに対するクエリの詳細については、「線形回帰モデルの照会 (Analysis Services - データ マイニング)」を参照してください。

モデルに回帰ノードと、不連続属性や範囲で分割されるノードが混在している場合は、回帰ノードのみを返すクエリを作成できます。NODE_DISTRIBUTION テーブルには、回帰式の詳細が含まれています。この例では、見やすくするために列をフラット化して、NODE_DISTRIBUTION テーブルに別名を付けています。しかし、このモデルでは、Income を他の連続属性に関連付けるためのリグレッサは検出されませんでした。このような場合、Analysis Services は、その属性の平均値とモデル内の全分散を返します。

SELECT FLATTENED NODE_DISTRIBUTION AS t
FROM DT_Predict. CONTENT
WHERE NODE_TYPE = 25

例の結果を次に示します。

回帰モデルで使用される値型と統計の詳細については、「線形回帰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

次のサンプル クエリでは、「基本的なデータ マイニング チュートリアル」で作成したデシジョン ツリー モデルに AdventureWorks DW の dbo.ProspectiveBuyers というサンプル データ テーブルを渡して、どの顧客が自転車を購入するかを予測します。このクエリには、予測関数 PredictHistogram (DMX) が含まれています。この関数は、モデルで検出された確率に関する有用な情報を含む入れ子になったテーブルを返します。WHERE 句を追加してこの予測をフィルタ処理して、自転車を購入する確率が 50% より大きいと予測された顧客のみを取得します。

SELECT
  [TM_DecisionTree].[Bike Buyer],
  PredictHistogram([Bike Buyer]) as Results
FROM
  [TM_DecisionTree]
PREDICTION JOIN
  OPENQUERY([Adventure Works DW],
    'SELECT
      [FirstName],
      [LastName],
      [MaritalStatus],
      [Gender],
      [YearlyIncome],
      [TotalChildren],
      [NumberChildrenAtHome],
      [HouseOwnerFlag],
      [NumberCarsOwned]
    FROM
      [dbo].[ProspectiveBuyer]
    ') AS t
ON
  [TM_DecisionTree].[First Name] = t.[FirstName] AND
  [TM_DecisionTree].[Last Name] = t.[LastName] AND
  [TM_DecisionTree].[Marital Status] = t.[MaritalStatus] AND
  [TM_DecisionTree].[Gender] = t.[Gender] AND
  [TM_DecisionTree].[Yearly Income] = t.[YearlyIncome] AND
  [TM_DecisionTree].[Total Children] = t.[TotalChildren] AND
  [TM_DecisionTree].[Number Children At Home] = t.[NumberChildrenAtHome] AND
  [TM_DecisionTree].[House Owner Flag] = t.[HouseOwnerFlag] AND
  [TM_DecisionTree].[Number Cars Owned] = t.[NumberCarsOwned]
WHERE [Bike Buyer] = 1
AND PredictProbability([Bike Buyer]) >'.05'

既定では、入れ子になったテーブルは列ラベル Expression を使用して返されます。このラベルを変更するには、返される列に別名を付けます。その別名 (この例の場合は Results) は、列見出しと、入れ子になったテーブルの値の両方に使用されます。結果を表示するには、入れ子になったテーブルを展開する必要があります。

例の結果を次に示します。

使用しているプロバイダが、ここに示されている結果のような階層的な行セットをサポートしていない場合は、クエリで FLATTENED キーワードを使用すると、繰り返される列値の代わりに NULL を含むテーブルとして結果を返すことができます。詳細については、「入れ子になったテーブル (Analysis Services - データ マイニング)」または「選択ステートメント (DMX) について」を参照してください。

トップに戻る

次のクエリを使用するには、チュートリアルのアソシエーション モデルのコピーを作成し、アルゴリズムをデシジョン ツリー アルゴリズムに変更します。詳細については、「レッスン 3: マーケット バスケット シナリオの作成 (中級者向けデータ マイニング チュートリアル)」を参照してください。

次のサンプル クエリは単一クエリです。このクエリは、Business Intelligence Development Studio でフィールドを選択し、それらのフィールドの値をドロップダウン リストから選択するだけで簡単に作成できます。

SELECT PredictAssociation([DT_Association].[v Assoc Seq Line Items],3)
FROM
  [DT_Association]
NATURAL PREDICTION JOIN
(SELECT (SELECT 'Patch kit' AS [Model]) AS [v Assoc Seq Line Items]) AS t

期待される結果 :

この結果から、Patch Kit という製品を購入した顧客に提案するのに最適な 3 つの製品がわかります。提案を行う際に複数の製品を入力として指定することもできます。そのためには、値を入力するか、[単一クエリ入力] ダイアログ ボックスを使用して値を追加または削除します。次のサンプル クエリは、複数の値を指定して予測を行う方法を示しています。値は、入力値を定義する SELECT ステートメント内の UNION 句で接続されています。

SELECT PredictAssociation([DT_Association].[v Assoc Seq Line Items],3)
From
  [DT_Association]
NATURAL PREDICTION JOIN
(SELECT (SELECT 'Racing Socks' AS [Model]
  UNION SELECT 'Women''s Mountain Shorts' AS [Model]) AS [v Assoc Seq Line Items]) AS t

期待される結果 :

トップに戻る