Microsoft SQL Server提供了集成的数据挖掘建模分析环境，这里我们用SQL Server官网提供的数据创建模型并用于分析顾客购车行为，从而预测潜在购车客户。
前提条件
准备分析服务数据库
- 创建分析服务项目Analysis Services Project
- 创建数据源Data Source
- 创建数据源视图Data Source View
- 创建目标邮件结构
- 创建目标邮件挖掘模型结构Targeted Mailing Mining Model Structure
- 确认数据类型内容类型Content and Data Type
- 确认测试数据集结构Testing Data Set for the Structure
- 添加处理模型
- 聚类分析挖掘模型
- 朴素贝叶斯挖掘模型
- 模型探索
- 决策树模型
- 聚类分析模型
- 朴素贝叶斯模型
测试模型
- 用梯度图测试准确性
- 测试过滤模型
- 进行预测
- 创建预测
- 钻取数据视图
前提条件
安装：Microsoft SQL Server 2012 （注：最好英文版，中文版有些地方可能会出错） 安装：多维模式下的Microsoft SQL Server 分析服务 数据库：采用官网的样例数据库 http://go.microsoft.com/fwlink/?LinkId=88417
准备分析服务数据库
使用SQL Server建立商业智能应用程序（ business intelligence application）进行建模分析。用数据工具(SQL Server Data Tools (SSDT))建立分析服务项目（SQL Server Analysis Services project），之后建立一或多个数据源（data sources），然后定义元数据视图（data source view）。
创建分析服务项目(Analysis Services Project)
打开SQL Server数据工具(SQL Server Data Tools (SSDT))
注意：要确认是商业智能项目模式（Business Intelligence Projects）。
更改步骤：工具->导入和导出设置。
一直到下一步，可以看到环境为 商业智能集合。
点击 文件->新建->项目
选择分析服务多维和数据挖掘项目（Analysis Services Multidimensional and Data Mining Project），项目起名为CustomerDataMining。
确认项目部署的服务名：
点击项目(右键)->属性->部署->服务器为localhost。
创建数据源(Data Source)
数据源文件夹(右键)->新建数据源
跳过欢迎页进行下一步->新建
点击服务器名，选择自己的服务器(若为空则手动输入localhost)->刷新->选择数据库(这里我们从外部导入之下下载的样例数据库)->确定
选择服务账户
数据源起名Adventure Works DW 2012，点击完成。
创建数据源视图(Data Source View)
通过数据源视图，我们可以选择项目所需要的数据，建立表之间的关系，在不修改原来的数据的情况下修改数据的结构。
点击数据源视图(右键)->新建数据源视图
选择已有数据源->下一步
选择需要的表或视图，这里我们选择：
ProspectiveBuyer (dbo) – 可能购车者信息
vTargetMail (dbo) – 曾经购车者信息
点击下一步，设置视图名 Targeted Mailing，点击完成。
创建目标邮件结构
创建目标邮件挖掘模型结构(Targeted Mailing Mining Model Structure)
点击挖掘结构(右键)->新建挖掘结构
下一步->从已有的数据仓库选择->数据挖掘结构，我们选择决策树
选择数据源：
选择模型信息，我们最少需要一个预测列，一个输入列和一个关键值列。
预测列： • BikeBuyer 关键值： • CustomerKey 输入列： • Age • CommuteDistance • EnglishEducation • EnglishOccupation • Gender • GeographyKey • HouseOwnerFlag • MaritalStatus • NumberCarsOwned • NumberChildrenAtHome • Region • TotalChildren • YearlyIncome 其他分析列： • AddressLine1 • AddressLine2 • DateFirstPurchase • EmailAddress • FirstName • LastName
确认数据类型，内容类型(Content and Data Type)
点击检测按钮，对信息类型进行基本检测，点击完成。
注：这里GeographyKey 是文本，不然可能会有标识符等不识别错误。
确认测试数据集结构(Testing Data Set for the Structure)
这里设置测试比例为30%，测试集中最大数量为1000。
挖掘数据结构名：Targeted Mailing
挖掘模型名：TM_Decision_Tree
选择允许通过，点击完成。
添加·处理模型
点击挖掘模型页面，我们可以看到之前建立的决策树模型，这里我们再建立两个模型，模型处理这里省略了。
聚类分析挖掘模型
点击结构(右键)->新建挖掘模型
模型名 TM_Clustering，选择聚类分析算法。
朴素贝叶斯挖掘模型
点击结构(右键)->新建挖掘模型
模型名 TM_NaiveBayes，选择朴素贝叶斯算法。
模型探索
由于挖掘模型的结果是复杂的，因而我们采用图形等简易的方式进行展示更加直观。
决策树模型
点击查看挖掘模型视图，点击部署，运行。
运行报错
原因是没有设置数据库的用户名。
打开管理工具，新建登录，登录名为报错内容的ODBC连接错误用户名。
重新部署。
显示等级默认为3，这里改为4。
背景值改为1，（这里1代表曾经购买过车，0代表未曾购买过车）
点击结点(右键) ->钻取->仅模型/模型和结构
聚类分析模型
挖掘模型部分选择聚类分析模型，选择Microsoft集群视图( Microsoft Cluster Viewer)，阴影变量处选购车者，状态选1。
点击节点(右键)可以进行重命名，这里将浅色节点命名Bike Buyers Low，深色节点为Bike Buyers High。
点击集群配置文件，设置直方图为5，查看不同因素的影响。
点击集群识别标签，设置集群1为Bike Buyers High，集群2为Bike Buyers Low。
朴素贝叶斯模型
选择朴素贝叶斯模型，同样进行相关分析。
测试模型
用梯度图测试准确性
选择输入数据集，模型，预测列，值。
点击梯度图：
测试过滤模型
之前我们已经对比得到决策树的准确性相对最高，这里用于测不同性别人购车对比。
在挖掘模型页面新建两个模型：TM_Decision_Tree_Male，TM_Decision_Tree_Female。
点击决策树右键，添加模型筛选器
将新建的两个模型点右键进行处理
对两个模型都点击挖掘模型视图，设置背景为1，等级为3。
设置精确度
查看不同性别对比
进行预测
创建预测
在挖掘模型中，点击选择模型，选择决策树模型。
在测试表中选择 ProspectiveBuyer (dbo)
更改信息
在解决方案资源管理器中，数据源视图右键，点击视图设计器
右键表ProspectiveBuyer，新建命名计算，输入信息。
列名 calcAge，描述 Calculate age based on birthdate，表达式 DATEDIFF(YYYY,[BirthDate],getdate())
在挖掘模型中，重新修改连接，年龄选择ProspectiveBuyer.calcAge。
source选择Prediction Function，field选择PredictProbability，alias选择Probability of result，将Bike Buyer拖到Criteria/Argument。
点击查询结果
钻取数据视图
在挖掘模型视图中，选择结点（例age >= 43 and < 50）右键钻取，模型和结构列，查看钻取结果。
