این بخش مروری اجمالی بر الگوریتم‌های موجود در Analysis Services و پارامترهای قابل تنظیم و مقدار پیش فرض هر پارامتر می‌باشد، به منظور بررسی بیشتر هر یک به لینک‌های زیر مراجعه کنید:
(Algorithm Parameters (SQL Server Data Mining Add-ins
1 – Microsoft Association Rules
به منظور ایجاد قوانینی که توصیف کننده این موضوع باشد که چه مواردی احتمالاً با یکدیگر در تراکنش‌ها ظاهر می‌شوند، استفاده می‌شود.
| Range | Default | Parameter |
| (…,1] | 200000 | MAXIMUM_ITEMSET_COUNT |
| [0,500] | 3 | MAXIMUM_ITEMSET_SIZE |
| (…,0.0) | 1.0 | MAXIMUM SUPPORT |
| (…,…) | 999999999- | MINIMUM IMPORTANCE |
| [1,500] | 1 | MINIMUM_ITEMSET_SIZE |
| [0.0,1.0] | 0.4 | MINIMUM PROBABILITY |
| (…,0.0] | 0.0 | MINIMUM SUPPORT |
2 – Microsoft Clustering
به منظور شناسائی روابطی که در یک مجموعه داده ممکن است از طریق مشاهده منطقی به نظر نرسد، استفاده می‌شود. در واقع این الگوریتم با استفاده از تکنیک‌های تکرار شونده رکوردها را در خوشه هایی که حاوی ویژگی‌های مشابه هستند گروه بندی می‌کند.
| Range |
Default |
Parameter |
| (…,0] | 10 | CLUSTER COUNT |
| (…,0] | 0 | CLUSTER SEED |
| 1,2,3,4 | 1 | CLUSTERING METHOD |
| [0,65535] | 255 | MAXIMUM_INPUT_ATTRIBUTES |
| [2,65535],0 | 100 | MAXIMUM STATES |
| (…,0) | 1 | MINIMUM SUPPORT |
| [1,50] | 10 | MODELLING_CARDINALITY |
| (…,100],0 | 50000 | SAMPLE SIZE |
| (…,0) | 10 | STOPPING TOLERANCE |
3 – Microsoft Decision Trees
مبتنی بر روابط بین ستونهای یک مجموعه داده ای باعث پیش بینی روابط مدل‌ها می‌شود، که به صورت یک سری درختوار ویژگی‌ها در آن شکسته می‌شوند.
به منظور انجام پیش بینی از هر دو ویژگی پیوسته و گسسته پشتیبانی می‌شود.
| Range |
Default | Parameter |
| (0.0,1.0) | COMPLEXITY_PENALTY | |
| FORCE REGRESSOR | ||
| [0,65535] | 255 | MAXIMUM_INPUT_ATTRIBUTES |
| [0,65535] | 255 | MAXIMUM_OUTPUT_ATTRIBUTES |
| (…,0.0) | 10.0 | MINIMUM SUPPORT |
| 1,3,4 | 4 | SCORE METHOD |
| [1,3] | 3 | SPLIT METHOD |
4 – Microsoft Linear Regression
چنانچه یک وابستگی خطی میان متغیر هدف و متغیرهای مورد بررسی وجود داشته باشد، کارآمدترین رابطه میان متغیر هدف و ورودی‌ها را پیدا می‌کند.
به منظور انجام پیش بینی از ویژگی پیوسته پشتیبانی می‌کند.
| Range |
Default | Parameter |
| FORCE REGRESSOR | ||
| [0,65535] | 255 | MAXIMUM_INPUT_ATTRIBUTES |
| [0,65535] | 255 | MAXIMUM_OUTPUT_ATTRIBUTES |
5 – Microsoft Logistic Regression
به منظور تجزیه و تحلیل عواملی که در یک تصمیم گیری مشارکت دارند که پی آمد آن به وقوع یا عدم وقوع یک رویداد می‌انجامد از این الگوریتم استفاده می‌شود.
جهت انجام پیش بینی از هر دو ویژگی پیوسته و گسسته پشتیبانی می‌کند.
| Range | Default | Parameter |
| (0,100) | 30 | HOLDOUT_PERCENTAGE |
| (…,…) | 0 | HOLDOUT SEED |
| [0,65535] | 255 | MAXIMUM_INPUT_ATTRIBUTES |
| [0,65535] | 255 | MAXIMUM_OUTPUT_ATTRIBUTES |
| [2,65535],0 | 100 | MAXIMUM STATES |
| (…,0] | 10000 | SAMPLE SIZE |
6 – Microsoft Naïve Bayes
احتمال ارتباط میان تمامی ستونهای ورودی و ستونهای قابل پیش بینی را پیدا می‌کند. همچنین این الگوریتم برای تولید سریع مدل کاوش به منظور کشف ارتباطات بسیار سودمند می‌باشد. تنها از ویژگی‌های گسسته یا گسسته شده پشتیبانی می‌کند و با تمامی ویژگی‌های ورودی به شکل مستقل رفتار می‌کند.
| Range | Default | Parameter |
| [0,65535] | 255 | MAXIMUM_INPUT_ATTRIBUTES |
| [0,65535] | 255 | MAXIMUM_OUTPUT_ATTRIBUTES |
| [2,65535],0 | 100 | MAXIMUM STATES |
| (0,1) | 0.5 | MINIMUM_DEPENDENCY_PROBABILITY |
7 – Microsoft Neural Network
به منظور تجزیه و تحلیل داده‌های ورودی پیچیده یا مسائل بیزنسی که برای آنها مقدار قابل توجهی داده آموزشی در دسترس می‌باشد اما به آسانی نمی‌توان با استفاده از الگوریتم‌های دیگر این قوانین را بدست آورد، استفاده می‌شود. با استفاده از این الگوریتم می‌توان چندین ویژگی را پیش بینی نمود. همچنین این الگوریتم می‌تواند به منظور طبقه بندی برای ویژگی‌های گسسته و ویژگی‌های پیوسته رگرسیون مورد استفاده قرار گیرد.
| Range | Default | Parameter |
| (…,0] | 4.0 | HIDDEN_NODE_RATIO |
| (0,100) | 30 | HOLDOUT PERCENTAGE |
| (…,…) | 0 | HOLDOUT SEED |
| [0,65535] | 255 | MAXIMUM_INPUT_ATTRIBUTES |
| [0,65535] | 255 | MAXIMUM_OUTPUT_ATTRIBUTES |
| [2,65535],0 | 100 | MAXIMUM STATES |
| (…,0] | 10000 | SAMPLE SIZE |
8 – Microsoft Sequence Clustering
به منظور شناسائی ترتیب رخدادهای مشابه در یک دنباله استفاده می‌شود. در واقع این الگوریتم ترکیبی از تجزیه تحلیل توالی و خوشه را فراهم می‌کند.
| Range | Default | Parameter |
| (…,0] | 10 | CLUSTER COUNT |
| [2,65535],0 | 64 | MAXIMUM_SEQUENCE_STATES |
| [2,65535],0 | 100 | MAXIMUM STATES |
| (…,0] | 10 | MINIMUM SUPPORT |
9 – Microsoft Time Series
به منظور تجزیه و تحلیل داده‌های زمانی (داده‌های مرتبط با زمان) در یک درخت تصمیم گیری خطی استفاده می‌شود. الگوهای کشف شده می‌توانند به منظور پیش بینی مقادیر آینده در سری‌های زمانی استفاده شوند.
| Range | Default |
Parameter |
| [0.0,1.0] | 0.6 | AUTO_DETECT_PERIODICITY |
| (1.0,…) | 0.1 | COMPLEXITY_PENALTY |
| ARIMA,ARTXP,MIXED | MIXED | FORECAST METHOD |
| [0,100] | 1 | HISTORIC_MODEL_COUNT |
| (…,1] | 10 | HISTORIC_MODEL_GAP |
| [0.0,1.0] | 1.0 | INSTABILITY_SENSITIVITY |
| […,column maximum] | 1E308+ | MAXIMUM_SERIES_VALUE |
| [column minimum,…] | 1E308- | MINIMUM_SERIES_VALUE |
| (…,1] | 10 | MINIMUM SUPPORT |
| None,Previous,Mean | None | MISSING_VALUE_SUBSTITUTION |
| {…list of integers…} | {1} | PERIODICITY_HINT |
| [0.0,1.0] | 0.5 |