Exemples de requêtes de modèle de régression logistique
S’applique à :
SQL Server 2019 et versions antérieures d’Analysis Services 
Azure Analysis Services Fabric/Power BI Premium
Important
L’exploration de données a été déconseillée dans SQL Server 2017 Analysis Services et est à présent abandonnée dans SQL Server 2022 Analysis Services. La documentation n’est pas mise à jour pour les fonctionnalités déconseillées et abandonnées. Pour en savoir plus, consultez Compatibilité descendante d’Analysis Services.
Lorsque vous créez une requête sur un modèle d'exploration de données, vous pouvez créer une requête de contenu, qui fournit des détails sur les modèles (ou séquences) découverts au cours de l'analyse, ou créer une requête de prédiction, qui utilise les séquences du modèle pour effectuer des prédictions à l'aide de nouvelles données.
Cette section explique comment créer des requêtes pour les modèles basés sur l'algorithme MLR (Microsoft Logistic Regression).
Requêtes de contenu
Recherche d'informations supplémentaires relatives au modèle à l'aide de DMX
Requêtes de prédiction
Élaboration de prédictions pour une valeur continue
Élaboration de prédictions pour une valeur discrète
Obtention d'informations sur le modèle de régression logistique
Les modèles de régression logistique sont créés en utilisant l'algorithme MNR (Microsoft Neural Network) avec un ensemble spécial de paramètres ; par conséquent, un modèle de régression logistique possède certaines informations identiques à un modèle de réseau neuronal, mais est moins complexe. Pour comprendre la structure du contenu du modèle et les types de nœuds qui stockent le type d’informations, consultez Contenu du modèle d’exploration de données pour les modèles de régression logistique (Analysis Services - Exploration de données).
Pour suivre les scénarios de requête, vous pouvez créer un modèle de régression logistique, comme décrit dans la section suivante du didacticiel sur l’exploration de données intermédiaire : Leçon 5 : Création de modèles de régression logistique et de réseau neuronal (didacticiel d’exploration de données intermédiaire).
Vous pouvez aussi utiliser la structure d’exploration de données (publipostage ciblé) du Didacticiel sur l’exploration de données de base.
ALTER MINING STRUCTURE [Targeted Mailing]
ADD MINING MODEL [TM_Logistic Regression]
([Customer Key],
[Age],
[Bike Buyer] PREDICT,
[Yearly Income] PREDICT,
[Commute Distance],
[English Education],
Gender,
[House Owner Flag],
[Marital Status],
[Number Cars Owned],
[Number Children At Home],
[Region],
[Total Children]
)
USING Microsoft_Logistic_Regression
Exemple de requête 1 : récupération des paramètres du modèle à l'aide de l'ensemble de lignes de schéma d'exploration de données
En interrogeant l'ensemble de lignes de schéma d'exploration de données, vous pouvez rechercher les métadonnées relatives au modèle, par exemple sa date de création, le moment où il a été traité pour la dernière fois, le nom de la structure d'exploration de données sur laquelle il est basé et le nom de la colonne utilisée comme attribut prédictible. L'exemple suivant retourne les paramètres utilisés lorsque le modèle a été créé, ainsi que le nom et le type du modèle et sa date de création.
SELECT MODEL_NAME, SERVICE_NAME, DATE_CREATED, MINING_PARAMETERS
FROM $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'Call Center_LR'
Exemples de résultats :
| MODEL_NAME | SERVICE_NAME | DATE_CREATED | MINING_PARAMETERS |
|---|---|---|---|
| Call Center_LR | Microsoft_Logistic_Regression | 04/07/2009 20:38:33 | HOLDOUT_PERCENTAGE=30, HOLDOUT_SEED=1, MAXIMUM_INPUT_ATTRIBUTES=255, MAXIMUM_OUTPUT_ATTRIBUTES=255, MAXIMUM_STATES=100, SAMPLE_SIZE=10000 |
Exemple de requête 2 : recherche d'informations supplémentaires relatives au modèle à l'aide de DMX
La requête suivante retourne des informations de base relatives au modèle de régression logistique. Un modèle de régression logistique est à bien des égards semblable à un modèle de réseau neuronal, y compris en ce qui concerne la présence d'un nœud statistique marginal (NODE_TYPE = 24), qui décrit les valeurs utilisées comme entrées. Cet exemple de requête utilise le modèle de publipostage ciblé et obtient les valeurs de toutes les entrées en les récupérant de la table imbriquée, NODE_DISTRIBUTION.
SELECT FLATTENED NODE_DISTRIBUTION AS t
FROM [TM_Logistic Regression].CONTENT
Résultats partiels :
| T.ATTRIBUTE_NAME | t.ATTRIBUTE_VALUE | t.SUPPORT | t.PROBABILITY | t.VARIANCE | t.VALUETYPE |
|---|---|---|---|---|---|
| Age | Manquant | 0 | 0 | 0 | 1 |
| Age | 45.43491192 | 17484 | 1 | 126.9544114 | 3 |
| Bike Buyer | Manquant | 0 | 0 | 0 | 1 |
| Bike Buyer | 0 | 8869 | 0.507263784 | 0 | 4 |
| Bike Buyer | 1 | 8615 | 0.492736216 | 0 | 4 |
| Commute Distance | Manquant | 0 | 0 | 0 | 1 |
| Commute Distance | 5-10 Miles | 3033 | 0.173472889 | 0 | 4 |
La requête réelle retourne beaucoup plus de lignes. Toutefois, cet exemple illustre le type d'informations fournies à propos des entrées. Pour les entrées discrètes, chaque valeur possible est répertoriée dans la table. Pour les entrées de valeur continue telles que l’attribut Age, une liste complète est impossible, donc l’entrée est discrétisée en tant que moyenne. Pour plus d’informations sur l’utilisation des informations dans le nœud de statistiques marginales, consultez Contenu du modèle d’exploration de données pour les modèles de régression logistique (Analysis Services - Exploration de données).
Notes
Les résultats ont été aplatis pour un affichage plus aisé, mais vous pouvez retourner la table imbriquée dans une colonne unique si votre fournisseur prend en charge des ensembles de lignes hiérarchiques.
Requêtes de prédiction sur un modèle de régression logistique
Vous pouvez utiliser la fonction Predict (DMX) avec tous les types de modèle d’exploration de données pour fournir de nouvelles données au modèle et effectuer des prédictions basées sur les nouvelles valeurs. Vous pouvez aussi utiliser des fonctions pour retourner des informations supplémentaires sur la prédiction, comme la probabilité que la prédiction soit correcte. Cette section fournit des exemples de requêtes de prédiction sur un modèle de régression logistique.
Exemple de requête 3 : élaboration de prédictions pour une valeur continue
Il est facile de créer des modèles qui mettent en corrélation différents facteurs dans vos données, car la régression logistique prend en charge l'utilisation d'attributs continus à la fois pour les entrées et la prédiction. Vous pouvez utiliser des requêtes de prédiction pour explorer la relation entre ces facteurs.
L'exemple de requête suivant est basé sur le modèle Call Center (centre d'appels), du Didacticiel intermédiaire, et crée une requête singleton qui prédit le niveau de service de l'équipe du vendredi matin. La fonction PredictHistogram (DMX) retourne une table imbriquée qui fournit des statistiques pertinentes pour comprendre la validité de la valeur prédite.
SELECT
Predict([Call Center_LR].[Service Grade]) as Predicted ServiceGrade,
PredictHistogram([Call Center_LR].[Service Grade]) as [Results],
FROM
[Call Center_LR]
NATURAL PREDICTION JOIN
(SELECT 'Friday' AS [Day Of Week],
'AM' AS [Shift]) AS t
Exemples de résultats :
| Niveau de service (Service Grade) prédit | Service Grade (Niveau de service) | $SUPPORT | $PROBABILITY | $ADJUSTEDPROBABILITY | $VARIANCE | $STDEV |
|---|---|---|---|---|---|---|
| 0.102601830123659 | 0.102601830123659 | 83.0232558139535 | 0.988372093023256 | 0 | 0.00120552660600087 | 0.034720694203902 |
| 0.976744186046512 | 0.0116279069767442 | 0.0116279069767442 | 0 | 0 |
Pour plus d’informations sur les valeurs de probabilité, de prise en charge et d’écart-type dans la table de NODE_DISTRIBUTION imbriquées, consultez Contenu du modèle d’exploration de données pour les modèles de régression logistique (Analysis Services - Exploration de données).
Exemple de requête 4 : élaboration de prédictions pour une valeur discrète
La régression logistique est généralement utilisée dans les scénarios où vous souhaitez analyser les facteurs qui contribuent à un résultat binaire. Bien que le modèle utilisé dans le didacticiel prédise une valeur continue, ServiceGrade, dans la réalité, vous préfèrerez peut-être le configurer pour qu’il prédise si le niveau de service atteindra une valeur cible discrétisée. Vous pouvez aussi sortir les prédictions en utilisant une valeur continue pour par la suite regrouper les résultats prédits sous les libellés Bon, Correctou Médiocre.
L'exemple suivant illustre comment modifier la manière dont l'attribut prédictible est groupé. Pour cela, vous créez une copie de la structure d'exploration de données, puis modifiez la méthode de discrétisation de la colonne cible afin que les valeurs soient groupées plutôt que continues.
La procédure suivante montre comment modifier le regroupement des valeurs Service Grade dans les données du centre d’appels.
Pour créer une version discrétisée de la structure d'exploration de données et des modèles du centre d'appels
Dans SQL Server Data Tools, dans Explorateur de solutions, développez Structures d’exploration de données.
Cliquez avec le bouton droit sur Call Center.dmm, puis sélectionnez Copier.
Cliquez avec le bouton droit sur Structures d’exploration de données , puis sélectionnez Coller. Une nouvelle structure d’exploration de données est ajoutée, nommée Call Center 1.
Cliquez avec le bouton droit sur la nouvelle structure d’exploration de données et sélectionnez Renommer. Tapez le nouveau nom, Centre d’appels discrétisé.
Double-cliquez sur la nouvelle structure d'exploration de données pour l'ouvrir dans le concepteur. Remarquez que tous les modèles d'exploration de données ont été également copiés et que tous ont l'extension 1. Laissez les noms tels quels pour le moment.
Sous l’onglet Structure d’exploration de données , cliquez avec le bouton droit sur la colonne de Service Grade, puis sélectionnez Propriétés.
Modifiez le paramétrage de la propriété Content en le faisant passer de Continuous à Discretized. Modifiez la propriété DiscretizationMethod en lui attribuant la valeur Clusters. Pour DiscretizationBucketCount, tapez 3.
Notes
Ces paramètres sont utilisés juste pour illustrer le processus et ne produisent pas nécessairement de modèle valide.
Dans le menu Modèle d’exploration de données , sélectionnez Traiter la structure d’exploration de données et tous les modèles.
L'exemple de requête suivant est basé sur ce modèle discrétisé et prédit le niveau de service pour le jour spécifié de la semaine, ainsi que les probabilités pour chaque résultat prédit.
SELECT
(PredictHistogram([Call Center_LR 1].[Service Grade])) as [Predictions]
FROM
[Call Center_LR 1]
NATURAL PREDICTION JOIN
(SELECT 'Saturday' AS [Day Of Week]) AS t
Résultats attendus :
Prédictions:
| Service Grade (Niveau de service) | $SUPPORT | $PROBABILITY | $ADJUSTEDPROBABILITY | $VARIANCE | $STDEV |
|---|---|---|---|---|---|
| 0.10872718383125 | 35.7246504770641 | 0.425293458060287 | 0.0170168360030293 | 0 | 0 |
| 0.05855769230625 | 31.7098880800703 | 0.377498667619885 | 0.020882020060454 | 0 | 0 |
| 0.170169491525 | 15.6109159883202 | 0.185844237956192 | 0.0661386571386049 | 0 | 0 |
| 0.954545454545455 | 0.0113636363636364 | 0.0113636363636364 | 0 | 0 |
Notez que les résultats prédits ont été groupés en trois catégories, comme spécifié ; toutefois, ces regroupements sont basés sur le clustering de valeurs réelles dans les données, et non sur des valeurs arbitraires que vous pouvez définir comme objectifs stratégiques.
Liste des fonctions de prédiction
Tous les algorithmes Microsoft prennent en charge un ensemble commun de fonctions. Toutefois, l’algorithme Microsoft Logistic Regression prend en charge les fonctions supplémentaires répertoriées dans le tableau suivant.
| Fonction de prédiction | Utilisation |
|---|---|
| IsDescendant (DMX) | Détermine si un nœud est un enfant d'un autre nœud dans le modèle. |
| PredictAdjustedProbability (DMX) | Retourne la probabilité ajustée d'un état spécifié. |
| PredictHistogram (DMX) | Retourne une valeur ou un ensemble de valeurs prédites pour une colonne spécifiée. |
| PredictProbability (DMX) | Retourne la probabilité pour un état spécifié. |
| PredictStdev (DMX) | Retourne l'écart-type pour la valeur prédite. |
| PredictSupport (DMX) | Retourne la valeur de support pour un état spécifié. |
| PredictVariance (DMX) | Retourne la variance d'une colonne spécifiée. |
Pour obtenir la liste des fonctions communes à tous les algorithmes Microsoft, consultez Fonctions de prédiction générale (DMX). Pour connaître la syntaxe de fonctions spécifiques, consultez Informations de référence sur les fonctions des extensions d’exploration de données (DMX).
Notes
Pour les modèles de réseau neuronal et de régression logistique, la fonction PredictSupport (DMX) retourne une valeur unique qui représente la taille du jeu d’entraînement pour l’ensemble du modèle.
Voir aussi
Requêtes d’exploration de données
Algorithme MLR (Microsoft Logistic Regression)
Références techniques relatives à l’algorithme MLR (Microsoft Logistic Regression)
Contenu du modèle d'exploration de données pour les modèles de régression logistique (Analysis Services - Exploration de données)
Leçon 5 : Génération de modèles de réseau neuronal et de régression logistique (Didacticiel sur l'exploration de données intermédiaire)