Algoritmus rozhodovacích stromů Microsoftu

Platí pro: SQL Server 2019 a starší služby Analysis Services Azure Analysis Services Fabric/ Power BI Premium

Důležité

Dolování dat bylo v SQL Serveru 2017 Analysis Services zastaralé a nyní ukončeno ve službě SQL Server 2022 Analysis Services. Dokumentace se neaktualizuje pro zastaralé a ukončené funkce. Další informace najdete v tématu Zpětná kompatibilita služby Analysis Services.

Algoritmus Rozhodovací stromy Microsoftu je klasifikační a regresní algoritmus pro použití při prediktivním modelování diskrétních i průběžných atributů.

U diskrétních atributů algoritmus vytváří předpovědi na základě vztahů mezi vstupními sloupci v datové sadě. Pomocí hodnot označovaných jako stavy těchto sloupců předpovídá stav sloupce, který určíte jako předvídatelný. Konkrétně algoritmus identifikuje vstupní sloupce, které korelují s předvídatelným sloupcem. Například ve scénáři, ve kterém se dá předpovědět, kteří zákazníci si budou pravděpodobně koupit kolo, pokud si kolo koupí devět z deseti mladších zákazníků, ale pouze dva z deseti starších zákazníků to dělají, algoritmus odvozuje, že věk je dobrým prediktorem nákupu jízdních kol. Rozhodovací strom vytváří předpovědi na základě této tendenci k určitému výsledku.

U spojitých atributů algoritmus používá lineární regresi k určení místa, kde se rozhodovací strom rozdělí.

Pokud je více než jeden sloupec nastavený na předvídatelný nebo pokud vstupní data obsahují vnořenou tabulku nastavenou na předvídatelnou, algoritmus vytvoří samostatný rozhodovací strom pro každý předvídatelný sloupec.

Example

Marketingové oddělení společnosti Adventure Works Cycles chce identifikovat charakteristiky předchozích zákazníků, které by mohly indikovat, jestli si tito zákazníci budou pravděpodobně produkt kupovat v budoucnu. Databáze AdventureWorks2012 ukládá demografické informace, které popisují předchozí zákazníky. Pomocí algoritmu Rozhodovací stromy Microsoftu k analýze těchto informací může marketingové oddělení vytvořit model, který předpovídá, jestli konkrétní zákazník bude nakupovat produkty na základě stavů známých sloupců o daném zákazníkovi, jako jsou demografické údaje nebo vzorce nákupu v minulosti.

Jak funguje algoritmus

Algoritmus Rozhodovací stromy Microsoftu vytváří model dolování dat vytvořením řady rozdělení ve stromu. Tyto rozdělení jsou reprezentovány jako uzly. Algoritmus přidá do modelu uzel pokaždé, když se zjistí, že vstupní sloupec je výrazně korelován s předvídatelným sloupcem. Způsob, jakým algoritmus určuje rozdělení, se liší v závislosti na tom, jestli predikuje souvislý sloupec nebo diskrétní sloupec.

Algoritmus Rozhodovací stromy Microsoftu používá výběr funkcí k vedení výběru nejužitečnějších atributů. Výběr funkcí používají všechny algoritmy dolování dat SQL Serveru ke zlepšení výkonu a kvality analýzy. Výběr funkce je důležitý, aby se zabránilo nedůležitým atributům v používání času procesoru. Pokud při návrhu modelu dolování dat používáte příliš mnoho vstupních nebo předvídatelných atributů, může zpracování modelu trvat velmi dlouhou dobu nebo dokonce nedostatek paměti. Metody používané k určení, zda rozdělit strom, zahrnují standardní metriky entropie a Bayesovské sítě. Další informace o metodách používaných k výběru smysluplných atributů a následnému ohodnocení a hodnocení atributů naleznete v tématu Výběr atributů (Dolování dat).

Běžným problémem v modelech dolování dat je to, že se model stává příliš citlivým na malé rozdíly v trénovacích datech, v takovém případě se říká, že je přeučený nebo přetrénovaný. Pře fitovaný model nelze zobecnit do jiných datových sad. Aby se zabránilo přeurčení u jakékoli konkrétní sady dat, algoritmus Rozhodovací stromy Microsoftu používá techniky pro řízení růstu stromu. Podrobnější vysvětlení toho, jak funguje algoritmus Rozhodovací stromy Společnosti Microsoft, najdete v technických referenčních informacích k algoritmu Microsoft Decision Trees.

Predikce diskrétních sloupců

Způsob, jakým algoritmus Rozhodovací stromy Microsoftu vytváří strom pro diskrétní předvídatelný sloupec, lze demonstrovat pomocí histogramu. Následující diagram znázorňuje histogram, který zobrazuje předvídatelný sloupec Bike Buyers v porovnání se vstupním sloupcem Věk. Histogram ukazuje, že věk osoby pomáhá rozlišit, jestli si tato osoba koupí jízdní kolo.

Korelace zobrazená v diagramu by způsobila, že algoritmus Microsoft Decision Trees vytvoří v modelu nový uzel.

S tím, jak algoritmus přidává do modelu nové uzly, se vytvoří struktura stromové struktury. Horní uzel stromu popisuje rozdělení predikovaného sloupce pro celkovou populaci zákazníků. S tím, jak model stále roste, algoritmus bere v úvahu všechny sloupce.

Predikce souvislých sloupců

Když algoritmus Rozhodovací stromy Microsoftu vytvoří strom založený na souvislém předvídatelném sloupci, každý uzel obsahuje regresní vzorec. Rozdělení se vyskytuje v bodě nelinearity ve vzorci regrese. Představte si například následující diagram.

Ve standardním regresním modelu byste se pokusili odvodit jeden vzorec, který představuje trend a relace dat jako celku. Jeden vzorec ale může udělat špatnou úlohu zachycení nesouvisenosti ve složitých datech. Místo toho algoritmus Rozhodovací stromy Microsoftu hledá segmenty stromu, které jsou z velké části lineární a vytvářejí pro tyto segmenty samostatné vzorce. Když data rozdělíte do různých segmentů, model dokáže mnohem lépe provádět přibližné odhady dat.

Následující diagram představuje stromový diagram modelu v bodovém grafu výše. Pro predikci výsledku model poskytuje dva různé vzorce: jeden pro levou větev, vzorec y = 5x x 5 a druhý pro pravou větev se vzorcem y = 0 = 25x + 8,75. Bod, kde se obě čáry scházejí v rozptylovém grafu, je bodem nelinearity a představuje místo, kde by se v modelu rozhodovacího stromu uzel rozdělil.

Jedná se o jednoduchý model s pouze dvěma lineárními rovnicemi; rozdělení ve stromu je tedy bezprostředně za uzlem Vše . Rozdělení však může nastat na libovolné úrovni stromu. To znamená, že ve stromu obsahujícím více úrovní a uzlů, kde je každý uzel charakterizován jinou kolekcí atributů, může být vzorec sdílen napříč více uzly nebo se vztahuje pouze na jeden uzel. Můžete například získat jeden vzorec pro uzel definovaný jako "zákazníci v určitém věku a příjmu", a druhý v uzlu, který představuje "zákazníky, kteří dojížděli na dlouhé vzdálenosti". Pokud chcete zobrazit vzorec pro jednotlivé uzly nebo segmenty, stačí kliknout na uzel.

Data požadovaná pro modely rozhodovacího stromu

Při přípravě dat pro použití v modelu rozhodovacích stromů byste měli porozumět požadavkům konkrétního algoritmu, včetně toho, kolik dat je potřeba a jak se data používají.

Požadavky na model rozhodovacího stromu jsou následující:

• Sloupec s jedním klíčem Každý model musí obsahovat jeden číselný nebo textový sloupec, který jednoznačně identifikuje každý záznam. Složené klíče nejsou povolené.

• Předvídatelný sloupec Vyžaduje alespoň jeden předvídatelný sloupec. Do modelu můžete zahrnout více předvídatelných atributů a předvídatelné atributy můžou být různé typy, buď číselné, nebo diskrétní. Zvýšení počtu předvídatelných atributů ale může zvýšit dobu zpracování.

• Vstupní sloupce Vyžaduje vstupní sloupce, které můžou být diskrétní nebo souvislé. Zvýšení počtu vstupních atributů ovlivňuje dobu zpracování.

Podrobnější informace o podporovaných typech obsahu a datových typech pro modely rozhodovacích stromů naleznete v části Požadavky technické reference Microsoft Decision Trees Algorithm Technical Reference.

Zobrazení modelu rozhodovacích stromů

K prozkoumání modelu můžete použít prohlížeč Microsoft Tree Viewer. Pokud váš model generuje více stromů, můžete vybrat strom a prohlížeč vám ukáže rozpis způsobu kategorizace případů pro každý předvídatelný atribut. Interakci stromů můžete také zobrazit pomocí prohlížeče sítě závislostí. Další informace naleznete v tématu Procházení modelu pomocí prohlížeče Microsoft Tree Viewer.

Pokud chcete získat další podrobnosti o jakékoli větvi nebo uzlu ve stromu, můžete model procházet také pomocí prohlížeče Microsoft Generic Content Tree Viewer. Obsah uložený pro model zahrnuje distribuci všech hodnot v každém uzlu, pravděpodobnosti na každé úrovni stromu a regresní vzorce pro průběžné atributy. Další informace naleznete v tématu Obsah modelu dolování dat pro modely rozhodovacího stromu (Analysis Services - Data Mining).

Vytváření předpovědí

Po zpracování modelu se výsledky uloží jako sada vzorů a statistik, které můžete použít k prozkoumání relací nebo k předpovědím.

Příklady dotazů, které se mají použít s modelem rozhodovacích stromů, najdete v tématu Příklady dotazů modelu rozhodovacích stromů.

Obecné informace o tom, jak vytvářet dotazy na dolování modelů, naleznete v tématu Dotazy dolování dat.

Poznámky

• Podporuje použití jazyka PMML (Predictive Model Markup Language) k vytváření dolování modelů.

• Podporuje podrobnou analýzu.

• Podporuje použití modelů dolování OLAP a vytváření dimenzí dolování dat.

Viz také

Algoritmy dolování dat (Analysis Services – Dolování dat)
Technické reference k algoritmu Rozhodovací stromy Microsoftu
Příklady dotazů modelu rozhodovacích stromů
Obsah modelu dolování pro modely rozhodovacího stromu (Analysis Services – Dolování dat)