解读分析服务中的数据挖掘功能

核心提示： 下一步就该选择数据挖掘容器了（容器是新挖掘多维模型挖掘的数据实体），选择Customers维和Name层，解读分析服务中的数据挖掘功能(3)，下一步，选择所作预测的类型，这就意味着会员卡值为normal可以很好地预测这一收入水平的用户，（我们对这一结论不应该感到意外，假设数据挖掘算法有输入

下一步就该选择数据挖掘容器了（容器是新挖掘多维模型挖掘的数据实体）。选择Customers维和Name层。下一步，选择所作预测的类型。假设数据挖掘算法有输入输出，本例将用户的相关信息作为输入，年收入作为被预测的实体或输出。年收入是Customer维中Name层的一个成员属性。依次选择A member property of the case level（容器层的成员属性）―> Yearly Income，如图1 所示。

下一步需要选择为预测年收入所需要用到的OLAP多维数据集中的那部分数据。选中Customers维、Customers维中所有的层及Name层中Member属性下的所有层，如图2所示（这些都是缺省的设置）。需要注意的是，Yearly Income既是输入也是输出，这是因为我们正在训练挖掘模型。为训练挖掘模型，算法需要正确的答案。（如：现有用户的实际年收入）

（图2）

点击Next按钮，创建一个OLAP维和一个虚拟多维数据集。对话框设置按图3所示。挖掘向导模式将根据Sales多维数据集创建一个虚拟多维数据集，增加一个名为PredictIncome的新数据挖掘维， 点击Next后，为建立挖掘模型起个名字并决定是否立刻执行。我们将建立的挖掘模型命名为IncomModel, 点击Save按钮并立刻执行。当点击Finish按钮后，分析服务将对数据进行处理,并在挖掘模型编辑器中显示挖掘的结果。

图4显示的就是OLAP挖掘模式编辑器，中间的窗口显示了结果决策树的几个结点（图5显示的是一棵完整的决策树）图4右上方标题为“Content Navigator”（内容导航员）窗口用颜色表示数据密度，用图形的方式描述了整棵决策树，其中颜色越深就代表用户越多。在中间的窗口，我选择了一个结点Customers.Name.Member Card = Normal，该结点代表所有成员属性会员卡的值为Normal的用户。中间靠右的窗口显示了该类别中用户不同年份年收入的条形图。我们发现他们中的83%的人的收入介于10000美元至30000美元之间，这就意味着会员卡值为normal可以很好地预测这一收入水平的用户。（我们对这一结论不应该感到意外，因为Member Cards属性是挖掘模型通过挖掘年收入和教育水平而创建的。）