Nota
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare ad accedere o modificare le directory.
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare a modificare le directory.
Si applica a:
SQL Server 2019 e versioni precedenti di Analysis Services
Azure Analysis Services
Fabric/Power BI Premium
Importante
Il data mining è stato deprecato in SQL Server 2017 Analysis Services e ora è stato sospeso in SQL Server 2022 Analysis Services. La documentazione non viene aggiornata per le funzionalità deprecate e non più disponibili. Per altre informazioni, vedere Compatibilità con le versioni precedenti di Analysis Services.
Un oggetto di data mining rimane un contenitore vuoto fino a quando non viene elaborato da Analysis Services. Addestramento indica l'elaborazione di un modello di data mining.
Elaborazione di strutture di data mining: Una struttura di data mining ottiene i dati da un'origine dati esterna, come definito dalle associazioni di colonna e dai metadati di utilizzo e legge i dati. Questi dati vengono letti in modo completo e quindi analizzati per estrarre varie statistiche. Analysis Services archivia una rappresentazione compatta dei dati, adatta per l'analisi tramite algoritmi di data mining, in una cache locale. È possibile mantenere questa cache o eliminarla dopo l'elaborazione dei modelli. Per impostazione predefinita, la cache viene archiviata. Per ulteriori informazioni, vedere Elaborare una struttura di mining.
Elaborazione di modelli di data mining: Un modello di data mining è vuoto, contenente solo le definizioni, fino a quando non viene elaborato. Per elaborare un modello di mining, la struttura di mining su cui si basa deve essere già stata elaborata. Il modello di data mining ottiene i dati dalla cache della struttura di data mining, applica eventuali filtri che potrebbero essere stati creati nel modello e quindi passa il set di dati tramite l'algoritmo per individuare i pattern. Dopo l'elaborazione del modello, il modello archivia solo i risultati dell'elaborazione, non i dati stessi. Per altre informazioni, vedere Elaborare un modello di data mining.
Il diagramma seguente mostra come fluiscono i dati durante l'elaborazione, da parte di Analysis Services, di una struttura di data mining e di un modello di data mining.
Visualizzazione dei risultati dell'elaborazione
Dopo aver elaborato una struttura di data mining, ha una rappresentazione compatta dei dati per l'analisi statistica. Se la cache contiene ancora i dati, usarli in questi modi:
Creare una query DMX (Data Mining Extensions) sul modello ed eseguire il drill-through sulla struttura. Per ulteriori informazioni, vedere SELECT FROM <model>.CASES (DMX).
Esplora un modello in base alla sua struttura e usa un'opzione dell'interfaccia per passare ai casi della struttura. Per ulteriori informazioni, vedere Visualizzatori di modelli di data mining o Eseguire il drill-through ai dati dei casi da un modello di data mining.
Crea una query DMX sui casi della struttura. Per ulteriori informazioni, vedere SELECT FROM <structure>.CASES.
Dopo aver elaborato un modello di data mining, contiene solo i modelli dell'analisi e i mapping dai risultati del modello ai dati di training memorizzati nella cache. Il termine contenuto del modello fa riferimento ai risultati del modello. Esplora o interroga il contenuto del modello. Interroga anche il modello di query e i casi di struttura, se presenti nella cache.
Il contenuto del modello dipende dall'algoritmo. Ad esempio, i modelli di clustering e alberi delle decisioni producono contenuto diverso anche quando usano gli stessi dati. Per ulteriori informazioni, vedere Contenuto del modello di esplorazione dei dati (Analysis Services - Esplorazione dei dati).
Requisiti di elaborazione
I requisiti di elaborazione possono variare a seconda che i modelli di data mining usino solo dati relazionali o usino origini dati multidimensionali.
Per le fonti di dati relazionali, creare dati di addestramento ed eseguire algoritmi di data mining su questi dati. I modelli di data mining che usano oggetti OLAP, ad esempio dimensioni e misure, richiedono anche l'elaborazione dei dati sottostanti. Potrebbe essere necessario elaborare gli oggetti multidimensionali per popolare il modello di data mining.
Per altre informazioni, vedere Requisiti e considerazioni sull'elaborazione (data mining).
Vedere anche
Query Drillthrough (Data Mining)
Strutture di Data Mining (Analysis Services - Data Mining)
Modelli di Data Mining (Analysis Services - Data Mining)
Architettura logica (Analysis Services - Data mining)