指定钻取
可以针对模型和结构启用钻取。该窗口中的复选框针对命名模型启用钻取，并允许您从用来为模型定型的模型事例检索详细信息。
如果基础挖掘结构也已经配置为允许进行钻取，则可以从模型事例和挖掘结构返回详细信息（其中包括挖掘模型中所不包含的列）。有关详细信息，请参阅针对挖掘模型和挖掘结构使用钻取（Analysis Services – 数据挖掘）
命名模型和结构并指定钻取
1.
在“完成向导”页上的“挖掘结构名称”中，键入 Targeted Mailing。 2. 3. 4.
在“挖掘模型名称”中，键入 TM_Decision_Tree。 选中“允许钻取”复选框。
查看“预览”窗格。请注意，仅显示出那些选作“键”、“输入”或“可预测”的列。您选择的其他列（例如，AddressLine1）不能用于生成模型，但是将在基础结构中可用，您可以在处理和部署模型之后查询这些列。
创建聚类分析挖掘模型
1.
切换到 Business Intelligence Development Studio 中数据挖掘设计器的“挖掘模型”选项卡。
请注意，设计器显示两列，一列是挖掘结构，另一列是在前一课中创建的 TM_Decision_Tree 挖掘模型。 2.
右键单击“结构”列，选择“新建挖掘模型”。
3. 在“新建挖掘模型”对话框中的“模型名称”中，键入 TM_Clustering。
4. 5.
在“算法名称”中，选择“Microsoft 聚类分析”。 单击“确定”。
新模型现在显示在数据挖掘设计器的“挖掘模型”选项卡中。此模型是用 Microsoft 聚类分析算法生成的，它将具有相似特征的客户进行分类并预测每个分类的自行车购买行为。虽然您可以修改新模型的列用法和属性，但在本教程中不需要对 TM_Clustering 模型进行任何更改。
创建 Naive Bayes 挖掘模型
1.
在数据挖掘设计器的“挖掘模型”选项卡中，右键单击“结构”列，并选择“新建挖掘模型”。 2.
在“新建挖掘模型”对话框中的“模型名称”下，键入 TM_NaiveBayes。 3.
在“算法名称”中，选择 Microsoft Naive Bayes，再单击“确定”。
此时将显示一条消息，说明 Microsoft Naive Bayes 算法不支持 Age 和 Yearly Income 列，这些都是连续列。 4.
单击“是”，以确认此消息并继续下面的操作。
设置 HoldoutSeed
1.
在 Business Intelligence Development Studio 的数据挖掘设计器中，单击“挖掘结构”选项卡或“挖掘模型”选项卡。 Targeted Mailing MiningStructure 显示在“属性”窗格中。
2. 3. 4.
确保按 F4 可以打开“属性”窗格。
确保 CacheMode 已设置为 KeepTrainingCases。 为 HoldoutSeed 输入 12。
部署并处理模型
在数据挖掘设计器中，可以处理挖掘结构、与挖掘结构关联的特定挖掘模型，或者结构以及与该结构关联的所有模型。在本任务中，我们将同时处理结构和所有模型。
部署项目并处理所有挖掘模型
1.
在“挖掘模型”菜单上选择“处理挖掘结构和所有模型”。 如果更改了结构，系统将提示您在处理模型之前生成和部署项目。单击“是”。 2.
在“处理挖掘结构 - Targeted Mailing”对话框中单击“运行”。
“处理进度”对话框将打开以显示有关模型处理的详细信息。模型处理可能需要一些时间，具体取决于您的计算机。 3. 4.
模型处理完成后，在“处理进度”对话框中单击“关闭”。 在“处理挖掘结构 - <结构>”对话框中单击“关闭”。
在“决策树”选项卡中浏览模型
1.
在“数据挖掘设计器”中，选择“挖掘模型查看器”选项卡。 默认情况下，设计器将打开添加到结构中的第一个模型（在本例中为 TM_Decision_Tree）。 2.
使用放大镜按钮调整树的显示大小。
默认情况下，Microsoft 树查看器仅显示树的前三个级别。如果树级别不到三个，则查看器仅显示现有级别。可以使用“显示级别”滑块或“默认扩展”列表查看更多级别。 3. 4.
将“显示级别”滑到第四条。 将“背景”值更改为 1。
通过更改“背景”设置，可以迅速查看每个节点中 [Bike Buyer] 的目标值为 1 的事例的数量。请注意，在这种特定的情况下，每个事例均表示一个客户。值 1 指示该客户之前购买了自行车；值 0 指示该客户尚未购买自行车。节点的底纹颜色越深，节点中具有目标值的事例所占的百分比越大。 5.
将光标放在标记为“全部”的节点上。将出现显示以下信息的工具提示：
? ? ? ?
事例总数
非自行车购买者事例的数量 自行车购买者事例的数量
缺少 [Bike Buyer] 值的事例的数量
或者，将光标放在树中的任何节点上，查看从上级节点到达该节点所需的条件。还可以在“挖掘图例”中查看同样的信息。 6.
单击“Age >=34 且 < 41”的节点。直方图将显示为一个穿过该节点的窄水平条，并表示此年龄范围中以前买过自行车的客户（粉色）和没有买过自行车的客户（蓝色）的分布情况。查看器显示：没有汽车或者有一辆汽车、年龄在 34 到 40 的客户有可能购买自
行车。再进一步考察发现，实际年龄在 38 到 40 的客户购买自行车的可能性会增加。
由于您在创建结构和模型时启用了钻取，因此，可以从模型事例和挖掘结构中检索详细的信息，其中包括挖掘模型中所不包含的列（例如，emailAddress 和 FirstName）。
有关详细信息，请参阅针对挖掘模型和挖掘结构使用钻取（Analysis Services – 数据挖掘）。
钻取到事例数据
1.
右键单击某个节点，然后依次选择“钻取”和“仅限模型列”。 每个定型事例的详细信息将以电子表格方式显示。这些详细信息来自您在生成挖掘结构时选作事例表的 vTargetMail 视图。 2.
右键单击某个节点，然后依次选择“钻取”和“模型和结构列”。 将显示同一个电子表格，并在末尾处附加结构列。 返回页首
“依赖关系网络”选项卡
“依赖关系网络”选项卡显示决定挖掘模型预测能力的各个属性之间的关系。依赖关系网络查看器进一步证实了我们的发现：年龄和地区是预测自行车购买行为的重要因素。
在“依赖关系网络”选项卡中浏览模型
1.
单击 Bike Buyer 节点以确定它的依赖关系。
依赖关系网络的中间节点 (Bike Buyer) 表示挖掘模型中的可预测属性。粉色阴影指示所有属性都会对自行车购买行为产生影响。