通过在表议论中包括臆测建模函数 MODEL_QUANTILE 或 MODEL_PERCENTILE爸爸与女儿，您不错依据数据进行臆测。
请记着，所有表议论都必须指定 “议论依据”宗旨。相干不同寻址和分区维度怎样影响成果的综合，请参见使用表议论诊疗值。
在臆测建模函数中，“议论依据”选项用于对将用于构建臆测模子的数据集进行分区（规矩限度）。
臆测建模函数莫得寻址（定向）的见地，因为模子左证所选的臆测因子复返每个标识的不同成果。也即是说，与“汇总”不同，寻址维度笃定字段的添加规章和成果的复返规章，臆测建模函数本色上是曲聚集的。它们使用模子，依据函数的指标和臆测因子界说的数据，以可视化项指定的精通级别议论成果。在该数据中，除非使用有序的臆测因子（举例日历维度），不然莫得排序的见地。
此外，在界说用于构建模子的数据时，会永久使用可视化项的精通级别。所有表议论都与可视化项本人在归拢精通级别运转，臆测建模函数也不例外。
针对臆测建模函数的提出提出您在使用臆测建模函数时遴荐要分区的特定维度。由于在单个可视化项或姿色板中可能有多个臆测议论，因此遴荐特定的分区维度可确保为每个单独的函数使用相易的基础数据集构建模子，从而比拟来自肖似模子的成果。
在 Tableau 中使用臆测建模函数时，必须确保在不同的实例惩处中保抓一致性，既在模子的不同迭代（举例，遴荐不同的臆测因子时）中保抓一致，也在不同的可视化项中保抓一致。使用定向“议论依据”选项可能会使可视化数据中的狭窄鼎新显耀影响用于构建模子的数据，从而影响其在不同可视化项中的有用性和一致性。
遴荐维度以下示例都使用 Tableau Desktop 附带的示例 - 超市数据源。
遴荐维度时，请记着 Tableau 将跨该维度构建臆测模子。也即是说，要是遴荐“Order Date”（订单日历）算作分区维度，Tableau 将使用任何其他已设置的分区内的数据，但沿使“Order Date”（订单日历）的值散播。
下图表露了用于构建以黄色隆起表露的模子的数据，以及用于构建以橙色隆起表露的模子输出的数据。在这种情况下，由于莫得任何臆测因子，因此给定“Sub-Category”（子类）中的所有反馈都是相易的；遴荐最好臆测因子将匡助您生成更专门旨的成果。相干最好臆测因子的信息，请参见遴荐臆测因子。
相似，要是遴荐了“Sub-Category”（子类）算作分区维度，Tableau 将使用给定月份内的数据，但沿多个子类散播，如下所示。要是数据进一步细分为区，则在构建模子时会洽商区畛域。
请防范爸爸与女儿，直不雅地对数据进行分区对用于生成模子和生成臆测的数据有显耀影响。添加更高的精通级别（举例，在单个功能区上同期包括“State”（州/省/市/自治区）和 “City”（城市））将按更高的 LOD 对数据进行分区。不管按什么样的规章将“胶囊”放在功能区上，情况都是如斯。举例，这些将复返相易的臆测：
要是数据添加到“行”或“列”功能区，或添加到“标识”卡上的“颜料”、“大小”、“标签”、“精通讯息”或“风景”，则添加可修改精通级别的“胶囊”数据将对数据进行分区。将不同精通级别的“胶囊”添加到器具教唆不会对数据进行分区。
不才面的示例中，模子按“Category”（类别）自动分区，因为“Category”（类别）和“Sub-Category”（子类）均位于“行”上。臆测议论在更高档别“胶囊”“Category”（类别）的畛域内跨“Sub-Category”（子类）进走运算。
这对于臆测因子的哄骗样式有影响。让咱们望望底下的示例。在本例中，咱们哄骗了三个 MODEL_QUANTILE 表议论：
Predict_Sales_CityPredict_Sales_StatePredict_Sales_RegionMODEL_QUANTILE(0.5,sum([Sales]), ATTR([City]))MODEL_QUANTILE(0.5,sum([Sales]), ATTR([State]))MODEL_QUANTILE(0.5,sum([Sales]), ATTR([Region]))对于所有三个议论，咱们都遴荐了“议论依据”>“City”（城市）。让咱们来望望北卡罗来纳州的一些城市：
请防范，尽管使用不同的臆测因子，但所有三个议论的成果在给定的州内是相易的。
要是咱们从“行”功能区中移除“Region”（区域），则成果不会发生任何情况 - 它们在给定的州内仍然皆备相易：
但是，当咱们从“行”功能区中移除“State”（州/省/市/自治区），对于每个议论咱们会看到不同成果：
在第一个示例中，“行”功能区上的“Region”（区域）和“State”（州/省/市/自治区）对城市进行分区。因此，Predict_Sales_City、Predict_Sales_State 和 Predict_Sales_Region 的模子给与相易的数据并生成相易的臆测。
由于咱们一经直不雅地对“State”（州/省/市/自治区）和“Region”（区域）内的数据进行了分区，因此咱们的臆测因子都莫得为模子添加任何值，况兼不会影响成果：
当咱们从“行”功能区中移除“Region”（区域）时，咱们仍然按“State”（州/省/市/自治区）进行分区，因此对用于构建模子的数据莫得鼎新。相似，由于咱们一经直不雅地对“State”（州/省/市/自治区）内的数据进行了分区，因此咱们的臆测因子都不会为模子添加任何值或对成果产生任何影响。
但是，当咱们移除“State”（州/省/市/自治区）时，数据将被解分区，因此对于每个议论咱们将看到不同的臆测。让咱们仔细望望哪里发生了什么：
对于 Predict_Sales_City，咱们使用 ATTR([City]) 算作臆测因子。由于这与可视化项处于相易的精通级别，因此它未添加任何值，况兼会被忽略。咱们正在团员所有城市的“Sales”（销售额），将它们传递到统计引擎，并议论臆测的销售额。由于未包括其他臆测因子，因此对于每个城市都会看到相易的成果；要是咱们包括了一个或多个度量，咱们将看到成果的变化。
对于 Predict_Sales_State，咱们使用 ATTR([State]) 算作臆测因子。臆测因子按“State”（州/省/市/自治区）对所有“City”（城市）数据进行分区。咱们但愿在一个州内看到相易的成果，但对于每个州看到不同的成果。
但请防范，这并不皆备是咱们所得回的。正如咱们所料，卡里市、教堂山市和夏洛特市的臆测都一样，都是 2084 好意思元。关联词，伯灵顿向咱们展示了 9366 好意思元的不同臆测：
这是因为名为“伯灵顿”的城市存在于多个州（爱荷华州、北卡罗来纳州和佛蒙特州）。因此，“State”（州/省/市/自治区）瓦解为 *，兴味是“多个值”。“State”（州/省/市/自治区）瓦解为 * 的所有标识将一皆议论，因此在多个州中也存在职何其他城市的臆测也会为 9366 好意思元。
对于 Predict_Sales_Region，咱们使用 ATTR([Region]) 算作臆测因子。臆测因子按“Region”（区域）对所有“City”（城市）数据进行分区。您但愿在一个区域内看到相易的成果，但对于每个区域看到不同的成果。
相似，由于伯灵顿存在于多个区域（中部、东部和南部）内，因此“Region”（区域）瓦解为 *。伯灵顿的臆测将只与存在于多个区域内的城市相匹配。
如您所见爸爸与女儿，确保任何维度臆测因子与可视化项的精通级别和分区正确对皆十分蹙迫。按任何维度细分可视化项可能会对臆测产生不测影响。
