Analysis Services 弃用数据挖掘功能后的迁移指南：从基础概念到实战方案

1次阅读

共计 1872 个字符，预计需要花费 5 分钟才能阅读完成。

微软 Analysis Services (SSAS) 从 2017 版开始逐步弃用数据挖掘功能，这对依赖 SSAS 多维模型（Multidimensional Model）的企业影响深远。主要痛点集中在三个方面：

模型转换复杂性 ：原有基于 DMX（Data Mining Extensions）的查询和算法需要完全重构
技能栈断层 ：传统 BI 团队需要快速掌握 Python/R 等现代数据科学工具
历史数据继承 ：挖掘模型的元数据和历史预测结果需要迁移到新平台

方案	适用场景	DMX 兼容性	学习曲线
Azure Machine Learning	需要云原生 AutoML 和可视化界面	低	中等
Azure Synapse Analytics	企业级数据仓库整合场景	中（通过 TSQL）	高
Python (scikit-learn)	需要高度定制化算法和本地部署	无	高

import pandas as pd
from sklearn.preprocessing import LabelEncoder

# 读取原 SSAS 挖掘结构使用的数据视图
df = pd.read_csv('ssas_mining_structure.csv')

# 处理类别型变量（对应原 SSAS 的 DISCRETIZED 内容）label_encoders = {}
for col in ['IncomeLevel', 'Education']:
    le = LabelEncoder()
    df[col] = le.fit_transform(df[col])
    label_encoders[col] = le  # 保存编码器用于后续预测

from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split

# 划分数据集（保持与 SSAS 相同的测试比例）X = df.drop('Target', axis=1)
y = df['Target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 构建决策树（对应 SSAS 的 Microsoft_Decision_Trees 算法）clf = DecisionTreeClassifier(
    max_depth=5,  # 与原模型参数匹配
    min_samples_leaf=10,
    criterion='gini'
)
clf.fit(X_train, y_train)

import onnxruntime as rt
from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType

# 定义输入类型
initial_type = [('float_input', FloatTensorType([None, X_train.shape[1]]))]

# 转换模型
onnx_model = convert_sklearn(clf, initial_types=initial_type)
with open("decision_tree.onnx", "wb") as f:
    f.write(onnx_model.SerializeToString())