除了分析可能影响呼叫中心运营的因素外，还要求你提供有关员工如何提高服务质量的一些具体建议。 在此任务中，将使用用于生成探索模型的同一挖掘结构，并添加将用于创建预测的挖掘模型。
在 Analysis Services 中，逻辑回归模型基于神经网络算法，因此提供与神经网络模型相同的灵活性和功能。 但是，逻辑回归特别适用于预测二进制结果。
在此场景中，您需要使用与神经网络模型相同的挖掘结构。 但是，你将自定义新模型以针对业务问题。 你有兴趣提高服务质量并确定所需的经验丰富的作员数，以便设置模型来预测这些值。
为了确保基于呼叫中心数据的所有模型都尽可能类似，请使用与之前相同的种子值。 设置种子参数可确保模型处理来自相同起点的数据，从而最大程度地减少数据中伪影导致的变异。
将新的挖掘模型添加到呼叫中心挖掘结构
在 SQL Server Data Tools （SSDT）的解决方案资源管理器中，右键单击挖掘结构Call Center Binned，然后选择打开设计器。
在数据挖掘设计器中，单击“ 挖掘模型 ”选项卡。
单击“ 创建相关挖掘模型”。
在“ 新建挖掘模型 ”对话框中，对于 “模型名称”，请键入
Call Center - LR。 对于 算法名称，请选择 Microsoft逻辑回归。单击 “确定” 。
新的挖掘模型显示在 “挖掘模型 ”选项卡中。
自定义逻辑回归模型
在新挖掘模型的列中
Call Center - LR，将 Fact CallCenter ID 保留为键。将 ServiceGrade 和级别 2 运算符的值更改为 Predict。
这些列将用作输入和预测。 从本质上讲，你要在同一数据上创建两个单独的模型：一个用于预测运算符的数量，另一个用于预测服务等级。
将所有其他列更改为 “输入”。
指定种子并处理模型
在 “挖掘模型 ”选项卡中，右键单击名为“呼叫中心 - LR”的模型的列，然后选择“ 设置算法参数”。
在HOLDOUT_SEED参数的行中，单击 值下的空单元格，然后键入
1。 单击 “确定” 。注释
你选择哪个值作为种子无关紧要，只要在所有相关模型中使用相同的种子即可。
在 “挖掘模型 ”菜单中，选择“ 进程挖掘结构”和“所有模型”。 单击 “是 ”将更新的数据挖掘项目部署到服务器。
在“ 进程挖掘模型 ”对话框中，单击“ 运行”。
单击“关闭”以关闭“进程进度”对话框，然后在“进程挖掘模型”对话框中再次单击“关闭”。