Share via


Microsoft Neural Network Algorithm

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.

L’algorithme Microsoft Neural Network est une implémentation de l’architecture de réseau neuronal populaire et adaptable pour le Machine Learning. L’algorithme opère en testant chaque état possible de l’attribut d’entrée par rapport à chaque état possible de l’attribut prévisible, et en calculant des probabilités pour chaque combinaison en fonction des données d’apprentissage. Vous pouvez utiliser ces probabilités pour les tâches de classification ou de régression, afin de prédire un résultat basé sur certains attributs d’entrée. Un réseau neuronal peut aussi être utile pour l’analyse d’association.

Lorsque vous créez un modèle d’exploration de données à l’aide de l’algorithme Microsoft Neural Network, vous pouvez inclure plusieurs sorties et l’algorithme crée plusieurs réseaux. Le nombre de réseaux contenus dans un même modèle d’exploration de données dépend du nombre d’états (ou de valeurs d’attribut) contenus dans les colonnes d’entrée, mais aussi du nombre de colonnes prédictibles qu’utilise le modèle d’exploration de données et du nombre d’états contenus dans ces colonnes.

Exemple

L’algorithme Microsoft Neural Network est utile pour analyser des données d’entrée complexes, par exemple à partir d’un processus de fabrication ou commercial, ou pour des problèmes métier pour lesquels une quantité importante de données d’apprentissage est disponible, mais pour lesquels des règles ne peuvent pas être facilement dérivées à l’aide d’autres algorithmes.

Les scénarios suggérés pour l’utilisation de l’algorithme Microsoft Neural Network sont les suivants :

  • analyse marketing et de promotion des ventes, par exemple pour mesurer le succès d’une campagne de marketing direct ou radiophonique ;

  • prédiction des mouvements de stock, des fluctuations monétaires ou d’autres informations financières extrêmement inconstantes à partir des données d’historique ;

  • analyse de processus industriels et de fabrication ;

  • exploration de texte ;

  • tout modèle de prédiction qui analyse des relations complexes entre des entrées nombreuses et des sorties en nombre relativement plus limité.

Fonctionnement de l'algorithme

L’algorithme Microsoft Neural Network crée un réseau composé de trois couches de nœuds (parfois appelées neurones). Ces couches sont constituées d’une couche d’entrée, d’une couche masquéeet d’une couche de sortie.

Couche d’entrée : les nœuds d’entrée définissent toutes les valeurs d’attribut d’entrée pour le modèle d’exploration de données et leurs probabilités.

Couche masquée : les nœuds masqués reçoivent les entrées des nœuds d’entrée et fournissent les sorties aux nœuds de sortie. La couche masquée correspond à la couche où des poids sont affectés aux diverses probabilités des entrées. Un poids décrit la pertinence ou l’importance d’une entrée donnée par rapport au nœud masqué. Plus le poids assigné à une entrée est élevé, plus la valeur de cette entrée sera importante. Les poids peuvent être négatifs, ce qui implique que l'entrée peut désactiver un résultat spécifique au lieu de l'activer.

Couche de sortie : les nœuds de sortie représentent les valeurs d’attributs prédictibles du modèle d’exploration de données.

Pour en savoir plus sur la construction et le notation des couches d’entrée, des couches masquées et des couches de sortie, consultez Informations techniques de référence sur l’algorithme MNN (Microsoft Neural Network).

Données requises pour les modèles Neural Network

Un modèle de réseau neuronal doit contenir une colonne clé, une ou plusieurs colonnes d'entrée et une ou plusieurs colonnes prédictibles.

Les modèles d’exploration de données qui utilisent l’algorithme Microsoft Neural Network sont fortement influencés par les valeurs que vous spécifiez pour les paramètres disponibles pour l’algorithme. Les paramètres définissent comment les données sont échantillonnées, comment elles sont distribuées ou comment leur distribution est prévue dans chaque colonne, ainsi que le moment où la sélection de fonctionnalité est invoquée pour limiter les valeurs utilisées dans le modèle final.

Pour plus d’informations sur la définition des paramètres permettant de personnaliser le comportement d’un modèle, consultez Informations techniques de référence sur l’algorithme MNN (Microsoft Neural Network).

Affichage d’un modèle Neural Network

Pour utiliser les données et voir comment le modèle met en corrélation les entrées et les sorties, vous pouvez utiliser la Visionneuse de l’algorithme MNN (Microsoft Neural Network). Cette visionneuse personnalisée vous permet de définir des filtres sur les attributs d’entrée et leurs valeurs et présentent des graphiques qui illustrent leur impact sur les sorties. Les info-bulles de la visionneuse indiquent la probabilité et l’élévation associées à chaque paire de valeurs d’entrée et de sortie. Pour plus d’informations, consultez Explorer un modèle à l’aide de la visionneuse de l’algorithme MNN (Microsoft Neural Network).

Le moyen le plus simple d’explorer la structure du modèle est d’utiliser la Visionneuse de l’arborescence de contenu générique Microsoft. Vous pouvez consulter les entrées, les sorties et les réseaux créés par le modèle et cliquer sur n’importe quel nœud pour le développer et consulter les statistiques liées aux nœuds des couches d’entrée, de sortie ou masquée. Pour plus d’informations, consultez Explorer un modèle à l’aide de la visionneuse de l’arborescence de contenu générique Microsoft.

Création de prédictions

Une fois le modèle traité, vous pouvez utiliser le réseau et les poids stockés au sein de chaque nœud pour faire des prédictions. Un modèle de réseau neuronal prend en charge la régression, l’association et l’analyse de classification. Par conséquent, la signification de chaque prédiction peut être différente. Vous pouvez également interroger le modèle lui-même pour examiner les corrélations qui ont été trouvées et extraire les statistiques connexes. Pour obtenir des exemples de création de requêtes sur un modèle de réseau neuronal, consultez Exemples de requêtes de modèle de réseau neuronal.

Pour obtenir des informations générales sur la création d’une requête sur un modèle d’exploration de données, consultez Requêtes d’exploration de données.

Remarques

  • Ne prend pas en charge l’extraction ou les dimensions d’exploration de données. Cela est dû au fait que la structure des nœuds du modèle d'exploration de données ne correspond pas nécessairement directement aux données sous-jacentes.

  • Ne prend pas en charge la création de modèles au format de langage PMML (Predictive Model Markup Language).

  • Prend en charge l'utilisation de modèles d'exploration de données OLAP.

  • Ne prend pas en charge la création de dimensions d’exploration de données.

Voir aussi

Microsoft Neural Network Algorithm Technical Reference
Mining Model Content for Neural Network Models (Analysis Services - Data Mining)
Exemples de requêtes de modèle de réseau neuronal
Algorithme MLR (Microsoft Logistic Regression)