Anpassen und Verarbeiten des Prognosemodells (Tutorial für Fortgeschrittenes Data Mining)

Der Microsoft Time Series-Algorithmus stellt Parameter bereit, die sich darauf auswirken, wie ein Modell erstellt wird und wie Zeitdaten analysiert werden. Das Ändern dieser Eigenschaften kann sich erheblich darauf auswirken, wie das Mining-Modell Vorhersagen trifft.

Für diese Aufgabe im Lernprogramm führen Sie die folgenden Aufgaben aus, um das Modell zu ändern:

1. Sie passen die Art und Weise an, wie ihr Modell Zeiträume verarbeitet, indem Sie einen neuen Wert für den parameter PERIODICITY_HINT hinzufügen.

2. Sie erfahren mehr über zwei weitere wichtige Parameter für den Microsoft Time Series-Algorithmus: FORECAST_METHOD, mit dem Sie die für die Prognose verwendete Methode steuern können, und PREDICTION_SMOOTHING, mit denen Sie die Mischung aus langfristigen und kurzfristigen Vorhersagen anpassen können.

3. Optional geben Sie dem Algorithmus an, wie fehlende Werte berücksichtigt werden sollen.

4. Nachdem alle Änderungen vorgenommen wurden, stellen Sie das Modell bereit und verarbeiten es.

Festlegen von Zeitreihenparametern

Hinweise zur Regelmäßigkeit

Der parameter PERIODICITY_HINT liefert dem Algorithmus Informationen zu zusätzlichen Zeiträumen, die Sie in den Daten erwarten. Standardmäßig versuchen Zeitreihenmodelle, ein Muster in den Daten automatisch zu erkennen. Wenn Sie jedoch den erwarteten Zeitzyklus bereits kennen, kann die Angabe eines Regelmäßigkeitshinweiss die Genauigkeit des Modells möglicherweise verbessern. Wenn Sie jedoch den falschen Regelmäßigkeitshinweis angeben, kann die Genauigkeit verringert werden. Wenn Sie daher nicht sicher sind, welcher Wert verwendet werden soll, empfiehlt es sich, den Standardwert zu verwenden.

Die für dieses Modell verwendete Ansicht aggregiert beispielsweise Umsatzdaten aus Adventure Works DW Multidimensional 2012 monatlich. Daher stellt jedes Vom Modell verwendete Segment einen Monat dar, und alle Vorhersagen werden auch in Bezug auf Monate angegeben. Da es 12 Monate in einem Jahr gibt und Sie davon ausgehen, dass verkaufsmuster mehr oder weniger jährlich wiederholt werden, legen Sie den parameter PERIODICITY_HINT auf 12, um anzugeben, dass 12 Zeitsegmente (Monate) einen vollständigen Umsatzzyklus darstellen.

Prognosemethode

Der FORECAST_METHOD Parameter steuert, ob der Zeitreihenalgorithmus für kurzfristige oder langfristige Vorhersagen optimiert ist. Standardmäßig ist der parameter FORECAST_METHOD auf MIXED festgelegt, was bedeutet, dass zwei verschiedene Algorithmen gemischt und ausgeglichen werden, um gute Ergebnisse sowohl für die kurzfristige als auch für die langfristige Vorhersage bereitzustellen.

Wenn Sie jedoch wissen, dass Sie einen bestimmten Algorithmus verwenden möchten, können Sie den Wert entweder in ARIMA oder ARTXP ändern.

Abwägung von Long-Term und Short-Term Vorhersagen

Sie können auch die Art und Weise anpassen, wie langfristige und kurzfristige Vorhersagen kombiniert werden, indem Sie den PREDICTION_SMOOTHING-Parameter verwenden. Standardmäßig ist dieser Parameter auf 0,5 festgelegt, was in der Regel die beste Balance für die Gesamtgenauigkeit bietet.

So ändern Sie die Algorithmusparameter

1. Klicken Sie auf der Registerkarte "Miningmodelle " mit der rechten Maustaste auf "Prognose", und wählen Sie "Algorithmusparameter festlegen" aus.

2. Klicken Sie in der PERIODICITY_HINT Zeile des Dialogfelds "Algorithmusparameter" auf die Spalte "Wert", und geben Sie dann {12} ein, einschließlich der geschweiften Klammern.

   Standardmäßig fügt der Algorithmus auch den Wert {1}hinzu.

3. Vergewissern Sie sich, dass in der FORECAST_METHOD-Zeile das Textfeld "Wert" entweder leer ist oder auf MIXED gesetzt ist. Wenn ein anderer Wert eingegeben wurde, geben Sie MIXED ein, um den Parameter auf den Standardwert zurückzusetzen.

4. Überprüfen Sie in der Zeile PREDICTION_SMOOTHING , ob das Textfeld "Wert " leer ist oder auf 0,5 festgelegt ist. Wenn ein anderer Wert eingegeben wurde, klicken Sie auf "Wert ", und geben 0.5 Sie den Parameter wieder in den Standardwert ein.

   Hinweis

   Der parameter PREDICTION_SMOOTHING ist nur in SQL Server Enterprise verfügbar. Daher können Sie den Wert des PREDICTION_SMOOTHING Parameters in SQL Server Standard nicht anzeigen oder ändern. Das Standardverhalten besteht jedoch darin, beide Algorithmen zu verwenden und sie gleichmäßig zu gewichten.

5. Klicke auf OK.

Behandeln fehlender Daten (optional)

In vielen Fällen können Ihre Verkaufsdaten Lücken aufweisen, die mit fehlenden Werten gefüllt sind, oder ein Geschäft hat die Frist für die Berichterstattung nicht eingehalten und eine leere Zelle am Ende der Datenreihe hinterlassen. In solchen Szenarien löst Analysis Services den folgenden Fehler aus und verarbeitet das Modell nicht.

Fehler (Data Mining): Zeitstempel sind nicht synchronisiert, beginnend mit der Serie <Serienname> des Miningmodells <Modellname>. Alle Zeitreihen müssen gleichzeitig enden und dürfen keine willkürlich fehlenden Datenpunkte haben. Wenn Sie den parameter "MISSING_VALUE_SUBSTITUTION" auf "Zurück" oder auf eine numerische Konstante festlegen, werden fehlende Datenpunkte, sofern möglich, automatisch gepatcht."

Um diesen Fehler zu vermeiden, können Sie angeben, dass Analysis Services automatisch neue Werte bereitstellt, um die Lücken mithilfe einer der folgenden Methoden auszufüllen:

• Verwenden eines Mittelwerts. Der Mittelwert wird mithilfe aller gültigen Werte in derselben Datenreihe berechnet.

• Verwenden des vorherigen Werts. Sie können vorherige Werte für mehrere fehlende Zellen ersetzen, aber Sie können keine Anfangswerte ausfüllen.

• Verwenden eines konstanten Werts, den Sie angeben.

Geben Sie an, dass Lücken durch Durchschnittswerte gefüllt werden sollen.

1. Klicken Sie auf der Registerkarte "Miningmodelle " mit der rechten Maustaste auf die Spalte "Prognose" , und wählen Sie "Algorithmusparameter festlegen" aus.

2. Klicken Sie im Dialogfeld "Algorithmusparameter " in der Zeile MISSING_VALUE_SUBSTITUTION auf die Spalte "Wert ", und geben Sie folgendes ein Mean.

Erstellen des Modells

Um das Modell zu verwenden, müssen Sie es auf einem Server bereitstellen und das Modell verarbeiten, indem Sie die Schulungsdaten über den Algorithmus ausführen.

So verarbeiten Sie das Prognosemodell

1. Wählen Sie im Menü "Miningmodell " von SQL Server-Datentools die Option "Process Mining Structure" und "All Models" aus.

2. Klicken Sie in der Warnung, in der Sie gefragt werden, ob Sie das Projekt erstellen und bereitstellen möchten, auf "Ja".

3. Klicken Sie im Dialogfeld "Process Mining Structure - Prognose" auf "Ausführen".

   Das Dialogfeld " Prozessfortschritt " wird geöffnet, um Informationen zur Modellverarbeitung anzuzeigen. Die Modellverarbeitung kann einige Zeit in Anspruch nehmen.

4. Klicken Sie nach Abschluss der Verarbeitung auf "Schließen ", um das Dialogfeld " Prozessfortschritt " zu beenden.

5. Klicken Sie erneut auf "Schließen ", um das Dialogfeld "Process Mining Structure - Prognose " zu beenden.

Nächste Aufgabe in der Lektion

Untersuchung des Prognosemodells (Tutorial für fortgeschrittenes Data Mining)

Siehe auch

Technische Referenz zu Microsoft-Zeitreihenalgorithmus
Microsoft-Zeitreihenalgorithmus
Verarbeitungsanforderungen und Überlegungen (Data Mining)