資料採礦演算法 （Analysis Services - 數據採礦）
適用於：
SQL Server 2019 和舊版 Analysis Services 
Azure Analysis Services Fabric/Power BI Premium
重要
SQL Server 2017 Analysis Services 中已淘汰數據採礦，現在已在 SQL Server 2022 Analysis Services 中停止。 檔不會更新為已淘汰和已停止的功能。 若要深入瞭解，請參閱 Analysis Services 回溯相容性。
數據採礦（或機器學習）中
演算法從您的數據建立的採礦模型可以採用各種形式，包括：
一組叢集，描述數據集中的案例如何相關。
預測結果的判定樹，並描述不同準則如何影響該結果。
預測銷售額的數學模型。
一組規則，描述產品如何在交易中群組在一起，以及產品一起購買的可能性。
SQL Server 數據採礦中提供的演算法是從數據衍生模式的最受歡迎、研究完善的方法。 若要以一個範例為例，K-means 叢集是最舊的叢集演算法之一，而且可在許多不同的工具和許多不同的實作和選項中廣泛取得。 不過，SQL Server 數據採礦中使用的 K-means 叢集的特定實作是由 Microsoft Research 所開發，然後針對 SQL Server Analysis Services 的效能進行優化。 所有Microsoft數據採礦演算法都可以廣泛自定義，而且使用提供的 API 完全可程式化。 您也可以使用 Integration Services 中的數據採礦元件，自動建立、定型和重新定型模型。
您也可以使用符合 OLE DB for Data Mining 規格的第三方演算法，或開發可註冊為服務的自定義演算法，然後在 SQL Server 數據採礦架構中使用。
選擇正確的演算法
選擇最適合用於特定分析工作的演算法可能是一項挑戰。 雖然您可以使用不同的演算法來執行相同的商務工作，但每個演算法會產生不同的結果，而某些演算法可能會產生多個類型的結果。 例如，您可以不僅使用Microsoft判定樹演算法進行預測，還可以作為減少數據集中數據行數目的方法，因為判定樹可以識別不會影響最終採礦模型的數據行。
依類型選擇演算法
SQL Server 數據採礦包含下列演算法類型：
分類演算法 根據數據集中的其他屬性預測一或多個離散變數。
回歸演算法 根據數據集中的其他屬性預測一或多個連續數值變數，例如收益或損失。
分割演算法 將數據分割成具有類似屬性的專案群組或叢集。
關聯演算法 尋找數據集中不同屬性之間的相互關聯。 這種演算法最常見的應用是建立關聯規則，可用於購物籃分析。
時序分析演算法 摘要數據中的頻繁序列或情節，例如網站中的一系列點擊，或機器維護前的一系列記錄事件。
不過，您的解決方案中不應限制為一個演算法。 經驗豐富的分析師有時會使用一種演算法來判斷最有效的輸入（也就是變數），然後套用不同的演算法，根據該數據預測特定結果。 SQL Server 數據採礦可讓您在單一採礦結構上建置多個模型，因此在單一數據採礦解決方案中，您可以使用叢集演算法、判定樹模型和貝氏機率模型來取得數據的不同檢視。 您也可以在單一解決方案內使用多個演算法來執行個別的工作：例如，您可以使用回歸來取得財務預測，並使用類神經網路演算法來執行影響預測的因素分析。
依工作選擇演算法
為了協助您選取與特定工作搭配使用的演算法，下表提供每個演算法傳統上使用之工作類型的建議。
| 工作的範例 | 要使用的Microsoft演算法 |
|---|---|
|
預測離散屬性： 將潛在買家清單中的客戶標幟為良好或不佳的前景。 計算伺服器在未來 6 個月內失敗的機率。 分類患者結果並探索相關因素。 |
Microsoft 判定樹演算法 Microsoft 貝氏機率分類演算法 Microsoft 叢集演算法 Microsoft 類神經網路演算法 |
|
預測連續屬性： 預測明年的銷售量。 根據過去的歷史和季節性趨勢來預測網站訪客。 產生給定人口統計的風險分數。 |
Microsoft 判定樹演算法 Microsoft 時間序列演算法 Microsoft 線性回歸演算法 |
|
預測序列： 執行公司網站的點擊流分析。 分析導致伺服器失敗的因素。 擷取和分析門診訪問期間的活動順序，以制定常見活動的最佳作法。 |
Microsoft 時序群集演算法 |
|
尋找交易中常見專案的群組： 使用購物籃分析來判斷產品放置。 建議客戶購買其他產品。 分析訪客到活動的調查數據，以找出哪些活動或展臺相互關聯，以規劃未來的活動。 |
Microsoft 關聯演算法 Microsoft 判定樹演算法 |
|
尋找類似專案的群組： 根據人口統計和行為等屬性建立患者風險配置檔群組。 流覽和購買模式來分析使用者。 識別具有類似使用特性的伺服器。 |
Microsoft 叢集演算法 Microsoft 時序群集演算法 |
相關內容
下一節提供 SQL Server 數據採礦中每個數據採礦演演算法學習資源的連結：
基本演算法描述：說明演算法的用途及其運作方式，並概述演算法可能很有用的可能商務案例。
技術參考：視需要提供演算法實作的技術詳細數據，並提供學術參考。 列出您可以設定的參數，以控制演算法的行為，並在模型中自定義結果。 描述數據需求，並盡可能提供效能秘訣。
模型內容：說明資訊如何在每種類型的數據採礦模型中結構化，並說明如何解譯儲存在每個節點中的資訊。
貝氏機率分類模型的 採礦模型內容 （Analysis Services - 數據採礦）
數據採礦查詢：提供多個查詢，您可以搭配每個模型類型使用。 範例包括內容查詢，可讓您深入瞭解模型中的模式，以及預測查詢，以協助您根據這些模式建置預測。
相關工作
| 主題 | 描述 |
|---|---|
| 判斷數據採礦模型所使用的演算法 | 查詢用來建立採礦模型的參數 |
| 建立自定義 Plug-In 演算法 | 外掛程式演演算法 |
| 使用演算法特定的查看器探索模型 | 數據採礦模型查看器 |
| 使用泛型數據表格式檢視模型的內容 | 使用Microsoft一般內容樹視圖器流覽模型 |
| 瞭解如何設定數據並使用演算法來建立模型 |
採礦結構 （Analysis Services - 數據採礦） 採礦模型 （Analysis Services - 數據採礦） |