SQL Server 2000 數(shù)據(jù)挖掘技術(shù)指南

第一部分   數(shù)據(jù)挖掘介紹
第1章   了解數(shù)據(jù)挖掘 1
1.1   什么是數(shù)據(jù)挖掘 1
1.2   為何使用數(shù)據(jù)挖掘 2
1.3   當(dāng)前數(shù)據(jù)挖掘是如何使用的 3
1.4   術(shù)語定義 4
1.5   數(shù)據(jù)挖掘方法 5
1.6   微軟數(shù)據(jù)挖掘概述 6
1.6.1   數(shù)據(jù)挖掘與OLAP 7
1.6.2   數(shù)據(jù)挖掘模型 7
1.6.3   數(shù)據(jù)挖掘算法 7
1.6.4   在數(shù)據(jù)挖掘中使用微軟
SQL Server語法 9
1.7   本章小結(jié) 9
第2章   微軟SQL Server Analysis Services 
體系結(jié)構(gòu) 10
2.1  OLAP介紹 10
2.1.1   MOLAP 12
2.1.2   ROLAP 12
2.1.3   HOLAP 13
2.2   服務(wù)器結(jié)構(gòu)體系結(jié)構(gòu) 14
2.3   客戶機(jī)結(jié)構(gòu)體系結(jié)構(gòu) 15
2.3.1   PivotTable Service 15
2.3.2   OLE DB 16
2.3.3   決策支持對象 17
2.3.4   多維表達(dá)式 17
2.3.5   預(yù)測連接 18
2.4   本章小結(jié) 18
第3章   數(shù)據(jù)存儲模型 19
3.1   為何數(shù)據(jù)挖掘需要一個(gè)數(shù)據(jù)倉庫 19
3.2   基于OLTP數(shù)據(jù)的報(bào)表可能對
性能造成威脅 22
3.3   用于數(shù)據(jù)挖掘的數(shù)據(jù)倉庫體系結(jié)構(gòu) 23
3.3.1   由OLTP數(shù)據(jù)創(chuàng)建數(shù)據(jù)倉庫 24
3.3.2   為挖掘而優(yōu)化數(shù)據(jù) 26
3.3.3   數(shù)據(jù)挖掘物理結(jié)構(gòu) 30
3.4   關(guān)系型數(shù)據(jù)倉庫 32
3.4.1   關(guān)系型數(shù)據(jù)存儲的優(yōu)點(diǎn) 32
3.4.2   為數(shù)據(jù)挖掘創(chuàng)建支持表 33
3.5   OLAP立方體 33
3.5.1   數(shù)據(jù)挖掘如何使用OLAP結(jié)構(gòu) 33
3.5.2   OLAP存儲的優(yōu)點(diǎn) 34
3.5.3   何時(shí)OLAP不適合數(shù)據(jù)挖掘 36
3.6   本章小結(jié) 36
第4章   數(shù)據(jù)挖掘的方法 37
4.1   直接數(shù)據(jù)挖掘 37
4.2   間接數(shù)據(jù)挖掘 37
4.2.1   數(shù)據(jù)挖掘與統(tǒng)計(jì)學(xué) 38
4.2.2   從歷史數(shù)據(jù)中學(xué)習(xí) 42
4.2.3   預(yù)測未來 43
4.3   數(shù)據(jù)挖掘模型的訓(xùn)練 45
4.4   本章小結(jié) 48
第二部分   數(shù)據(jù)挖掘方法
第5章   微軟決策樹 49
5.1   創(chuàng)建模型 49
5.2   使模型可視化 63
5.2.1   Dependency Network Browser 67
5.2.2   深入決策樹算法 71
5.3   如何推導(dǎo)預(yù)測結(jié)果 81
5.3.1   導(dǎo)航樹 81
5.3.2   導(dǎo)航與規(guī)則 83
5.3.3   何時(shí)使用決策樹 84
5.4  本章小結(jié) 84
第6章   使用OLAP創(chuàng)建決策樹 85
6.1   創(chuàng)建模型 85
6.1.1   選擇源的類型 85
6.1.2   選擇源立方體和數(shù)據(jù)挖掘技術(shù) 86
6.1.3   選擇實(shí)例 87
6.1.4   選擇預(yù)測實(shí)體 88
6.1.5   選擇訓(xùn)練數(shù)據(jù) 89
6.1.6   選擇維和虛擬立方體 90
6.1.7   完成數(shù)據(jù)挖掘模型 91
6.2   OLAP挖掘模型編輯器 93
6.2.1   內(nèi)容細(xì)節(jié)面板 93
6.2.2   結(jié)構(gòu)面板 93
6.2.3   預(yù)測樹列表 94
6.3   使用OLAP數(shù)據(jù)挖掘模型分析數(shù)據(jù) 94
6.3.1   使用生成的虛擬立方體 95
6.3.2   使用生成的維 96
6.4   本章小結(jié) 99
第7章   微軟聚類 100
7.1   分類 101
7.2   分類的作用 101
7.3   聚類是間接數(shù)據(jù)挖掘技術(shù) 101
7.4   聚類是如何工作的 102
7.4.1   算法概述 102
7.4.2   K-Means聚類算法 102
7.4.3   何謂準(zhǔn)確度量 105
7.4.4   聚類要素 105
7.4.5   度量“接近程度” 106
7.5   何時(shí)使用聚類 108
7.5.1   使關(guān)系可視化 108
7.5.2   使異常數(shù)據(jù)更醒目 108
7.5.3   為其他數(shù)據(jù)挖掘工作創(chuàng)建樣本 109
7.5.4   聚類的弱點(diǎn) 109
7.6   使用聚類創(chuàng)建數(shù)據(jù)挖掘模型 110
7.6.1   選擇源類型 110
7.6.2   為數(shù)據(jù)挖掘模型選擇表 111
7.6.3   選擇數(shù)據(jù)挖掘技術(shù) 112
7.6.4   編輯連接 112
7.6.5   為數(shù)據(jù)挖掘選擇實(shí)例的關(guān)鍵列 112
7.6.6   選擇用于輸入的和可預(yù)測的列 113
7.7   查看模型 114
7.7.1   聚類節(jié)點(diǎn)的組織結(jié)構(gòu) 115
7.7.2   聚類節(jié)點(diǎn)的排序 116
7.8   分析數(shù)據(jù) 116
7.9   本章小結(jié) 117
第三部分   數(shù)據(jù)挖掘應(yīng)用編程
第8章   利用微軟數(shù)據(jù)轉(zhuǎn)換服務(wù) 119
8.1   什么是DTS 119
8.2   DTS任務(wù) 120
8.2.1   轉(zhuǎn)換 120
8.2.2   批錄入 121
8.2.3   數(shù)據(jù)驅(qū)動查詢 121
8.2.4   執(zhí)行包 121
8.3   連接 124
8.3.1   源 124
8.3.2   配置連接 125
8.4   DTS包工作流程 125
8.4.1   DTS包的流程控制 125
8.4.2   優(yōu)先權(quán)約束 126
8.5   DTS設(shè)計(jì)器 126
8.5.1   打開DTS設(shè)計(jì)器 127
8.5.2   保存DTS包 127
8.6   dtsrun實(shí)用程序 129
8.7   用DTS建立數(shù)據(jù)挖掘模型 131
8.7.1   SQL Server環(huán)境準(zhǔn)備 132
8.7.2   創(chuàng)建包 136
8.8   本章小結(jié) 158
第9章   使用決策支持對象 159
9.1   腳本語言與VB編程 159
9.1.1   Server對象 161
9.1.2   Database 對象 167
9.2   用DSO創(chuàng)建關(guān)系數(shù)據(jù)挖掘模型 169
9.3   用DSO創(chuàng)建OLAP數(shù)據(jù)挖掘模型 178
9.3.1   DataSource對象 181
9.3.2   數(shù)據(jù)挖掘模型 181
9.4   添加新的數(shù)據(jù)源 181
9.5   Analysis服務(wù)器角色 183
9.5.1   數(shù)據(jù)挖掘模型角色 183
9.5.2   添加一個(gè)新的數(shù)據(jù)挖掘模型角色 183
9.6   本章小結(jié) 184
第10章   理解數(shù)據(jù)挖掘結(jié)構(gòu) 185
10.1   數(shù)據(jù)挖掘模型實(shí)例的結(jié)構(gòu) 185
10.2   使用程序代碼來瀏覽數(shù)據(jù)挖掘模型 185
10.3   使用模式行集 190
10.3.1   MINING_MODELS模式行集 190
10.3.2   MINING_COLUMNS模式行集 195
10.3.3   MINING_MODEL_CONTENT 
模式行集 201
10.3.4   MINING_SERVICES 模式行集 204
10.3.5   SERVICE_PARAMETERS 
模式行集 206
10.3.6   MODEL_CONTENT_PMML
模式行集 208
10.4   本章小結(jié) 209
第11章   使用PivotTable Service進(jìn)行
數(shù)據(jù)挖掘 210
11.1   重新分配組件 211
11.2   安裝和注冊組件 211
11.2.1   文件位置 212
11.2.2   安裝注冊設(shè)置 213
11.2.3   重新分配安裝程序 213
11.3   連接到PivotTable Service 214
11.3.1   使用PivotTable Service連接到
Analysis Services 214
11.3.2   使用HTTP連接到
Analysis Services 216
11.4   創(chuàng)建本地?cái)?shù)據(jù)挖掘模型 217
11.4.1   本地挖掘模型的存儲 219
11.4.2   SELECT INTO語句 221
11.4.3   INSERT INTO語句 221
11.4.4   OPENROWSET語法 222
11.4.5   嵌套表和SHAPE語句 224
11.5   在數(shù)據(jù)挖掘中使用XML 225
11.6   本章小結(jié) 230
第12章   數(shù)據(jù)挖掘查詢 231
12.1   預(yù)測查詢組件 231
12.1.1   基本的預(yù)測查詢 231
12.1.2   指定測試實(shí)例源 231
12.1.3   指定列 233
12.1.4   PREDICTION JOIN子句 233
12.1.5   使用函數(shù)作為列 237
12.1.6   使用表值作為列 237
12.1.7   WHERE子句 239
12.1.8   預(yù)測函數(shù) 239
12.1.9   Predict 239
12.1.10   PredictProbability 240
12.1.11   PredictSupport 240
12.1.12   PredictVariance 241
12.1.13   PredictStdev 241
12.1.14   PredictProbabilityVariance 241
12.1.15   PredictProbabilityStdev 241
12.1.16   PredictHistogram 241
12.1.17   TopCount 244
12.1.18   TopSum 244
12.1.19   TopPercent 244
12.1.20   RangeMin 245
12.1.21   RangeMid 245
12.1.22   RangeMax 245
12.1.23   PredictScore 245
12.1.24   PredictNodeId 245
12.2   帶聚類模型的預(yù)測查詢 245
12.2.1   Cluster 246
12.2.2   ClusterProbability 246
12.2.3   ClusterDistance 247
12.3   使用DTS來運(yùn)行預(yù)測查詢 247
12.4   本章小結(jié) 252
附      錄
附錄A   回歸分析 253
附錄B   術(shù)語表 271