SQL SERVER 数据挖掘中的几个问题（二）：理解列的用法（Predict和PredictOnly)

最新推荐文章于 2022-04-14 09:00:22 发布
最新推荐文章于 2022-04-14 09:00:22 发布
阅读量97 收藏
点赞数

最近与一个客户的开发团队探讨和学习SQL Server的数据挖掘及其应用。有几个比较有意思的问题，整理出来

关于数据挖掘的基本知识和学习资料，可以参考http://msdn.microsoft.com/zh-cn/library/bb510517.aspx

上一篇: SQL SERVER 数据挖掘中的几个问题（一）：理解内容类型

 

这是一个小的细节问题,我们在定义挖掘模型的时候,会指定不同的列的用法,基本上有如下几种

  • Ignore(忽略）
  • Input（输入）
  • Predict（预测）
  • PredictOnly（仅预测）

image

前面两个很容易理解，“忽略”就是说这个列不在当前算法中使用，例如某些列在某些算法里面不受支持。而“输入”则是最常见的一种用法，就是说这个列作为算法作为预测分析的输入数据。

关键在于如何理解“预测”与“仅预测”

  • 预测：这种列的意思是，该列既作为输入列（输入的数据），也作为输出列（预测的结果）
  • 仅预测：该列只作为输出列，不能作为输入列。也就是说它不会作为对其他因素做分析或者预测的因素。

这里面有两个主要层面的意思

  • 如果是选择“预测”这种用法，那么这种列可以作为“输入”的性质，对其他列（尤其是其他预测列）产生影响。而“仅预测”这种则是说自己只是仅仅作为预测的目的存在，它本身不能作为预测其他列的前提。
    • 所以，如果有多个预测列（这在有的时候也是可能的），那么对于某些列，设置为“预测”而不是“仅预测”应该是很有必要的；而对于在模型中只有唯一的预测目标列时，可以设置为“仅预测”来提高模型的准确性和效率。
  • 在对新数据做预测的时候，我们也可以看到这样的意思

image

在这种情况下，Bike Buyer这个列，也可以作为输入进行映射

image

weixin_34390105
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
SQL Server数据挖掘简介
culuo4781的博客
07-17 2193
Prediction, is it a new thing for you? You won’t believe you are predicting from the bed to the office and to back to the bed. Just imagine, you have a meeting at 9 AM at the office. If you are u...
Predict_interactions:预测数据贫乏环境中社区拓扑的机器学习方法
05-10
... 作者 大卫·波切斯尼（David Beauchesne），菲利普·德斯贾丁斯·普罗 执照 麻省理工学院，请参阅LICENSE.md
第111章 SQL函数 PREDICT
yaoxin521123的博客
04-14 893
文章目录第111章 SQL函数 PREDICT大纲描述 第111章 SQL函数 PREDICT IntegratedML 函数，它应用指定的训练模型来预测提供的每个输入行的结果。 大纲 PREDICT(model-name ) PREDICT(model-name USE trained-model-name ) PREDICT(model-name WITH feature-columns-clause ) PREDICT(model-name USE trained-model-name WITH
使用SQL Server数据库指标预测应用程序问题
culuo4781的博客
07-18 545
摘要 (Summary) Database metrics can be collected, maintained, and used to help predict when processes go awry so problems can be resolved before they become severe. Understanding when an applicatio...
SQL 2008中的挖掘模型
thunder09的专栏--没事就写点儿
11-25 782
 SQL Server 2008 联机丛书（2009 年 7 月）挖掘模型（Analysis Services - 数据挖掘）本节介绍了数据挖掘模型的基本体系结构，概述了数据挖掘模型的属性，并说明了创建和处理挖掘模型的方式。Mining Model Architecture Defining Mining Models Mining Model Proper
SQL练习题
Sara_He的博客
03-23 4416
网上有一篇关于SQL的经典文章，超经典SQL练习题，做完这些你的SQL就过关了，引用和分析它的人很多，于是今天复习SQL的时候找来练了练...
Vue(基础七）_webpack(webpack异步加载原理)
weixin_30522095的博客
04-08 326
---恢复内容开始--- 一、前言 1、webpack异步加载原理’ ...
Python sklearn中的.fit与.predict的用法说明
09-16
主要介绍了Python sklearn中的.fit与.predict的用法说明，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
tianchi O2O: xgb_predict_file-数据集
03-30
暂无描述
基于pytorch实现将NLP语言转为机器可以理解的SQL语言源代码+数据集+模型
07-26
基于pytorch实现将NLP语言转为机器可以理解的SQL语言源代码+数据集+模型 使用说明 这个运算量有点大，3090都跑不太动，尤其是模型1，batch size最多只支持24。 所以放弃用自己电脑跑的想法吧 使用流程： 运行train_...
对Keras中predict()方法和predict_classes()方法的区别说明
01-21
当使用predict()方法进行预测时，返回值是数值，表示样本属于每一个类别的概率，我们可以使用numpy.argmax()方法找到样本以最大概率所属的类别作为样本的预测标签。 2 predict_classes()方法 当使用predict_...
使用laravle模型查询数据库的指定列
Super丶在路上
03-24 402
使用laravle模型查询数据库的指定列 使用Laravel的ORM——Eloquent时，时常遇到的一个操作是取模型中的其中一些属性，对应的就是在数据库中取表的特定列。 如果使用DB门面写查询构造器，那只需要链式调用select()方法即可： $users = DB::table('users')->select('name', 'email as user_email')->get...
Java实战项目——基于ssh实现的博客系统（毕业设计）(前后端源码+论文+数据库+说明文档)25.zip
06-15
ava实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），可运行高分资源 Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现的毕业设计&&课程设计（包含运行文档+数据库+前后端代码），Java实现
基于React的后台开发框架（javascript）
06-15
【作品名称】：基于React的后台开发框架（javascript） 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【项目介绍】：运行Demo cd tui/example npm install node app.js open localhost:3003/be 说明 simditor文件夹为TUI依赖的编辑器插件，如果用到编辑器，页面引入simditor.all.min.js和simditor.css即可。
吴力群 231123501129.pdf
06-15
吴力群 231123501129.pdf
PC下C语言基于libgraphics和浙江大学simplegui写出的新版吃豆人，仅用于教学和交流.zip
最新发布
06-15
C语言是一种广泛使用的编程语言，它具有高效、灵活、可移植性强等特点，被广泛应用于操作系统、嵌入式系统、数据库、编译器等领域的开发。C语言的基本语法包括变量、数据类型、运算符、控制结构（如if语句、循环语句等）、函数、指针等。下面详细介绍C语言的基本概念和语法。 1. 变量和数据类型 在C语言中，变量用于存储数据，数据类型用于定义变量的类型和范围。C语言支持多种数据类型，包括基本数据类型（如int、float、char等）和复合数据类型（如结构体、联合等）。 2. 运算符 C语言中常用的运算符包括算术运算符（如+、、、/等）、关系运算符（如==、!=、、=、<、<=等）、逻辑运算符（如&&、||、！等）。此外，还有位运算符（如&、|、^等）和指针运算符（如、等）。 3. 控制结构 C语言中常用的控制结构包括if语句、循环语句（如for、while等）和switch语句。通过这些控制结构，可以实现程序的分支、循环和多路选择等功能。 4. 函数 函数是C语言中用于封装代码的单元，可以实现代码的复用和模块化。C语言中定义函数使用关键字“void”或返回值类型（如int、float等），并通过“{”和“}”括起来的代码块来实现函数的功能。 5. 指针 指针是C语言中用于存储变量地址的变量。通过指针，可以实现对内存的间接访问和修改。C语言中定义指针使用星号（）符号，指向数组、字符串和结构体等数据结构时，还需要注意数组名和字符串常量的特殊性质。 6. 数组和字符串 数组是C语言中用于存储同类型数据的结构，可以通过索引访问和修改数组中的元素。字符串是C语言中用于存储文本数据的特殊类型，通常以字符串常量的形式出现，用双引号（"..."）括起来，末尾自动添加'\0'字符。 7. 结构体和联合 结构体和联合是C语言中用于存储不同类型数据的复合数据类型。结构体由多个成员组成，每个成员可以是不同的数据类型；联合由多个变量组成，它们共用同一块内存空间。通过结构体和联合，可以实现数据的封装和抽象。 8. 文件操作 C语言中通过文件操作函数（如fopen、fclose、fread、fwrite等）实现对文件的读写操作。文件操作函数通常返回文件指针，用于表示打开的文件。通过文件指针，可以进行文件的定位、读写等操作。 总之，C语言是一种功能强大、灵活高效的编程语言，广泛应用于各种领域。掌握C语言的基本语法和数据结构，可以为编程学习和实践打下坚实的基础。
给我二十个统计建模中可用的python代码以及其用法以及详细的使用方法和介绍
05-02
好的，下面给你二十个统计建模中可用的Python代码以及其用法、详细的使用方法和介绍： 1. 线性回归 用法：线性回归是一种最简单的统计建模技术，它可以用于探索两个变量之间的关系，并预测一个变量的值。可以使用Python的scikit-learn库来实现线性回归。 代码： ```python from sklearn.linear_model import LinearRegression lr = LinearRegression() lr.fit(X_train, y_train) y_pred = lr.predict(X_test) ``` X_train和y_train是训练数据集，X_test是测试数据集，y_pred是预测值。 2. 逻辑回归 用法：逻辑回归是一种二元分类算法，可以用于预测一个事件的发生或不发生概率。可以使用Python的scikit-learn库来实现逻辑回归。 代码： ```python from sklearn.linear_model import LogisticRegression lr = LogisticRegression() lr.fit(X_train, y_train) y_pred = lr.predict(X_test) ``` X_train和y_train是训练数据集，X_test是测试数据集，y_pred是预测值。 3. 决策树 用法：决策树是一种可解释性强的分类算法，可以用于探索数据中的模式。可以使用Python的scikit-learn库来实现决策树。 代码： ```python from sklearn.tree import DecisionTreeClassifier dtc = DecisionTreeClassifier() dtc.fit(X_train, y_train) y_pred = dtc.predict(X_test) ``` X_train和y_train是训练数据集，X_test是测试数据集，y_pred是预测值。 4. 随机森林 用法：随机森林是一种集成学习算法，可以用于分类和回归问题。可以使用Python的scikit-learn库来实现随机森林。 代码： ```python from sklearn.ensemble import RandomForestClassifier rfc = RandomForestClassifier() rfc.fit(X_train, y_train) y_pred = rfc.predict(X_test) ``` X_train和y_train是训练数据集，X_test是测试数据集，y_pred是预测值。 5. 支持向量机 用法：支持向量机是一种分类算法，可以用于线性和非线性分类问题。可以使用Python的scikit-learn库来实现支持向量机。 代码： ```python from sklearn.svm import SVC svc = SVC() svc.fit(X_train, y_train) y_pred = svc.predict(X_test) ``` X_train和y_train是训练数据集，X_test是测试数据集，y_pred是预测值。 6. K近邻 用法：K近邻是一种分类和回归算法，可以用于探索数据中的模式。可以使用Python的scikit-learn库来实现K近邻。 代码： ```python from sklearn.neighbors import KNeighborsClassifier knn = KNeighborsClassifier() knn.fit(X_train, y_train) y_pred = knn.predict(X_test) ``` X_train和y_train是训练数据集，X_test是测试数据集，y_pred是预测值。 7. 主成分分析 用法：主成分分析是一种降维算法，可以用于数据可视化和特征提取。可以使用Python的scikit-learn库来实现主成分分析。 代码： ```python from sklearn.decomposition import PCA pca = PCA(n_components=2) X_pca = pca.fit_transform(X) ``` X是数据集，n_components是要保留的主成分数量。 8. 梯度提升树 用法：梯度提升树是一种集成学习算法，可以用于分类和回归问题。可以使用Python的scikit-learn库来实现梯度提升树。 代码： ```python from sklearn.ensemble import GradientBoostingClassifier gbc = GradientBoostingClassifier() gbc.fit(X_train, y_train) y_pred = gbc.predict(X_test) ``` X_train和y_train是训练数据集，X_test是测试数据集，y_pred是预测值。 9. 贝叶斯分类器 用法：贝叶斯分类器是一种分类算法，可以用于处理高维数据。可以使用Python的scikit-learn库来实现贝叶斯分类器。 代码： ```python from sklearn.naive_bayes import GaussianNB gnb = GaussianNB() gnb.fit(X_train, y_train) y_pred = gnb.predict(X_test) ``` X_train和y_train是训练数据集，X_test是测试数据集，y_pred是预测值。 10. 神经网络 用法：神经网络是一种深度学习算法，可以用于分类和回归问题。可以使用Python的TensorFlow或Keras库来实现神经网络。 代码： ```python import tensorflow as tf from tensorflow import keras model = keras.Sequential([ keras.layers.Dense(64, activation='relu'), keras.layers.Dense(10, activation='softmax') ]) model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) model.fit(X_train, y_train, epochs=5) y_pred = model.predict(X_test) ``` X_train和y_train是训练数据集，X_test是测试数据集，y_pred是预测值。 11. 模型评估 用法：模型评估是一种评估模型性能的技术，可以用于选择最佳模型。可以使用Python的scikit-learn库来实现模型评估。 代码： ```python from sklearn.metrics import accuracy_score accuracy = accuracy_score(y_test, y_pred) print(accuracy) ``` y_test是测试数据集的标签，y_pred是预测值。 12. 网格搜索 用法：网格搜索是一种超参数优化技术，可以用于选择最佳模型参数。可以使用Python的scikit-learn库来实现网格搜索。 代码： ```python from sklearn.model_selection import GridSearchCV param_grid = {'C': [0.1, 1, 10], 'kernel': ['linear', 'rbf']} grid = GridSearchCV(SVC(), param_grid, cv=5) grid.fit(X_train, y_train) print(grid.best_params_) ``` X_train和y_train是训练数据集，param_grid是参数网格，cv是交叉验证次数。 13. 特征选择 用法：特征选择是一种降维技术，可以用于选择最相关的特征。可以使用Python的scikit-learn库来实现特征选择。 代码： ```python from sklearn.feature_selection import SelectKBest from sklearn.feature_selection import chi2 X_new = SelectKBest(chi2, k=2).fit_transform(X, y) ``` X是数据集，y是标签，k是要选择的特征数量。 14. 数据可视化 用法：数据可视化是一种探索性数据分析技术，可以用于理解数据中的模式。可以使用Python的matplotlib和seaborn库来实现数据可视化。 代码： ```python import matplotlib.pyplot as plt plt.scatter(X[:,0], X[:,1], c=y) plt.xlabel('Feature 1') plt.ylabel('Feature 2') plt.show() ``` X是数据集，y是标签。 15. 线性判别分析 用法：线性判别分析是一种分类算法，可以用于降维和特征提取。可以使用Python的scikit-learn库来实现线性判别分析。 代码： ```python from sklearn.discriminant_analysis import LinearDiscriminantAnalysis lda = LinearDiscriminantAnalysis(n_components=2) X_lda = lda.fit_transform(X, y) ``` X是数据集，y是标签，n_components是要保留的特征数量。 16. 独热编码 用法：独热编码是一种特征编码技术，可以用于将分类变量转换为数值变量。可以使用Python的scikit-learn库来实现独热编码。 代码： ```python from sklearn.preprocessing import OneHotEncoder enc = OneHotEncoder() X_enc = enc.fit_transform(X) ``` X是数据集。 17. 标签编码 用法：标签编码是一种特征编码技术，可以用于将分类变量转换为数值变量。可以使用Python的scikit-learn库来实现标签编码。 代码： ```python from sklearn.preprocessing import LabelEncoder enc = LabelEncoder() y_enc = enc.fit_transform(y) ``` y是标签。 18. 正则化 用法：正则化是一种防止过拟合的技术，可以用于优化模型性能。可以使用Python的scikit-learn库来实现正则化。 代码： ```python from sklearn.linear_model import Ridge ridge = Ridge(alpha=0.1) ridge.fit(X_train, y_train) y_pred = ridge.predict(X_test) ``` X_train和y_train是训练数据集，X_test是测试数据集，y_pred是预测值，alpha是正则化参数。 19. 集成学习 用法：集成学习是一种将多个模型组合起来的技术，可以用于提高模型性能。可以使用Python的scikit-learn库来实现集成学习。 代码： ```python from sklearn.ensemble import VotingClassifier lr = LogisticRegression() rfc = RandomForestClassifier() svc = SVC() vc = VotingClassifier(estimators=[('lr', lr), ('rfc', rfc), ('svc', svc)], voting='hard') vc.fit(X_train, y_train) y_pred = vc.predict(X_test) ``` X_train和y_train是训练数据集，X_test是测试数据集，y_pred是预测值。 20. 模型解释 用法：模型解释是一种解释模型预测的技术，可以用于理解模型的决策过程。可以使用Python的scikit-learn库和shap库来实现模型解释。 代码： ```python import shap explainer = shap.TreeExplainer(rfc) shap_values = explainer.shap_values(X_test) shap.summary_plot(shap_values[1], X_test) ``` rfc是随机森林模型，X_test是测试数据集。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值