应用分类模型时，自动分析模块的用户可以选择所需的预测信息。

开始时，用户进入章节，生成选项：

用户可以选择选项"决策"，大数据分析系统，在这种情况下，应用输出数据集将包括决策（即是/否预测）及其概率，以及通常的列，如键和分数。

如果他选择"近似分位数"，大数据 学习，应用输出数据集将被分割成10个桶。通过选择"个人贡献"，他将获得训练模型中每个预测值的贡献值。

SAP HANA自动预测库（APL）以别名参数的形式提供了SQL开发人员可以在其脚本中使用的相同选项：

有时需要自定义输出。此时用户将选择Advanced Apply Settings（高级应用设置）选项。让我们看看高级应用设置的几个用例，看看它是如何使用APL的。

用例a

我们对分位数分段很感兴趣，但不是10个桶，而是100个桶，或者只有4个桶。

要指定自定义分位数分段，我们必须在SQL脚本中使用，具有所需bucket数的完整路径参数：

请注意，人工智能大数据，路径包含目标变量的名称；在上面的示例中：IS\u FRAUD。

用例B

我们需要决策信息和个人贡献。

如果我们在脚本中放入决策和贡献的两个别名参数（我们前面看到的），在运行时只考虑第一个。这是因为它们是互斥的预设设置。同样，我们需要使用参数的完整路径。

但是，为了使apply model命令成功，我们必须确保创建与所选选项相对应的正确输出表。我们需要提前知道将要生成的列的数量、它们的顺序、它们的名称和数据类型。APL函数get\u apply\u table\u type就是用于此目的的。

下面是一个带有该APL函数的脚本，在我们针对历史汽车保险索赔训练分类模型之后：

通过运行该脚本，云免费，我们用预期的输出结构填充schema\u out表。您可以读取该表的内容并相应地编写create table SQL语句，或者使用此示例查询自动生成DDL脚本：

下面是SAP HANA Studio中准备复制/粘贴的结果：

用例C

我们需要决策信息，淘客是什么意思，以及原因代码和异常值标志。

这一点很简单。它包括使用以下三个APL别名参数。

为了知道结果的预测列，我们使用函数get\u apply\u table\u type，与我们在用例B中使用的方法相同。下面是用于创建输出表的自动生成脚本，其中存储了所请求的预测信息，仍然基于汽车保险索赔欺诈检测场景：

您可以在这里找到APL应用功能的文档