背景：單一模型的局限
SQL Server 提供聚類、決策樹、邏輯回歸、序列分析、時序等多種挖掘模型。同樣數據、不同模型產出的結果往往差異巨大，單一模型難以保證決策準確性。
優化一：多模型交叉驗證
核心機制
- 將挖掘數據劃分為 N 個子集（默認 10 折）。
- 每輪用 N-1 子集訓練，1 子集測試，輪換 N 次。
- 彙總各輪指標：均方根誤差 (RMSE)、平均絕對誤差 (MAE)、準確率、召回率等。
- 支持同結構多模型對比（如決策樹 vs 邏輯回歸），發現關鍵差異因子。
調用入口
- 數據挖掘設計器向導：「挖掘準確性圖表」視圖 → 「交叉驗證」頁籤。
- 數據分析存儲過程：
CALL DMX.CrossValidation(...) 程式化批量驗證、生成報表。
報表解讀關鍵指標
| 指標 | 含義 | 越小/大越好 |
|---|
| RMSE | 預測值與真實值偏差的均方根 | 越小越好 |
| Mean Absolute Error | 平均絕對誤差 | 越小越好 |
| Lift Chart | 模型比隨機猜測的提升倍數 | 越大越好 |
| Classification Matrix | 混淆矩陣：TP/FP/TN/FN | 對角線越大越好 |
優化二：挖掘準確性圖表可視化
提供 提升圖、利潤圖、散點圖、分類矩陣 等多維可視化，幫助業務人員直觀判斷模型商業價值，而非只看統計指標。
優化三：數據分析存儲過程自動化
將模型訓練、驗證、部署、預測封裝為存儲過程，支持：
- 定時任務自動重訓練（適應數據漂移）。
- 應用層直接
EXEC PredictSales @Region, @Month 獲取預測，無需懂 DMX。
- 版本管理：保留歷史模型，支持 A/B 測試與回滾。
落地建議
- 業務初期用交叉驗證快速篩選 2-3 個候選模型。
- 上線後建立模型監控儀表板：預測偏差、特征重要性漂移、樣本分布變化。
- 定期（月/季）觸發自動重訓練流水線，驗證通過後熱切換新模型。
- 記住：模型只能輔助決策，最終判斷需結合領域專家經驗。
