Onglet Validation croisée (vue Graphique d'analyse de précision de l'exploration de données)
La validation croisée vous permet de partitionner une structure d'exploration de données en sections croisées et d'effectuer l'apprentissage et le test des modèles de manière itérative sur chaque section croisée. Vous spécifiez un nombre de replis pour la division des données. Chaque repli est utilisé à son tour comme données de test, tandis que les autres données sont utilisées pour l'apprentissage d'un nouveau modèle. Analysis Services génère ensuite un jeu de mesures de précision standard pour chaque modèle. En comparant les mesures des modèles générés pour chaque section croisée, vous pouvez vous faire une bonne idée de la fiabilité du modèle d'exploration de données pour le jeu de données complet.
Pour plus d'informations, consultez Validation croisée (Analysis Services - Exploration de données).
[!REMARQUE]
La validation croisée ne peut pas être utilisée avec des modèles qui ont été générés en utilisant l'algorithme MTS (Microsoft Time Series) ou l'algorithme MSC (Microsoft Sequence Clustering). Si vous exécutez le rapport sur une structure d'exploration de données qui contient ces types de modèles, ils ne seront pas inclus dans le rapport.
Spécifiez le nombre de replis.
Spécifiez le nombre maximal de cas à utiliser pour la validation croisée.
Spécifiez la colonne prévisible.
Spécifiez, de manière facultative, un état prévisible.
Définissez, de manière facultative, les paramètres qui contrôlent la façon dont la précision de prédiction est évaluée.
Cliquez sur Obtenir les résultats pour afficher les résultats de la validation croisée.
Nombre de replis
Spécifiez le nombre de replis ou de partitions à créer. La valeur minimale est 2, ce qui signifie qu'une moitié du jeu de données est utilisée pour le test et une autre moitié pour l'apprentissage.La valeur maximale est 10 pour les structures d'exploration de données de session.
La valeur maximale est 256 si la structure d'exploration de données est stockée dans une instance d'Analysis Services.
[!REMARQUE]
Lorsque vous augmentez le nombre de replis, le temps nécessaire pour effectuer la validation croisée augmente de façon similaire de n. Vous risquez d'être confronté à des problèmes de performances si le nombre de cas est élevé et que la valeur du paramètre Nombre de replis est également importante.
Nombre maximal de cas
Spécifiez le nombre maximal de cas à utiliser pour la validation croisée. Le nombre de cas dans un repli donné est égal à la valeur Nombre maximal de cas divisée par la valeur Nombre de replis.Si vous utilisez 0, tous les cas des données sources sont utilisés pour la validation croisée.
Il n'y a pas de valeur par défaut.
[!REMARQUE]
Le temps de traitement augmente également avec l'augmentation du nombre de cas.
Attribut cible
Sélectionnez une colonne dans la liste des colonnes prévisibles trouvées dans tous les modèles. Vous ne pouvez sélectionner qu'une colonne prévisible chaque fois que vous effectuez une validation croisée.Pour tester des modèles de clustering seulement, sélectionnez Cluster.
État cible
Tapez une valeur cible ou sélectionnez-en une dans une liste déroulante.La valeur par défaut est null, ce qui indique que tous les états doivent être testés.
Ce paramètre est désactivé pour les modèles de clustering.
Seuil cible
Spécifiez une valeur comprise entre 0 et 1 qui indique la probabilité de prédiction au-dessus de laquelle un état prédit est considéré comme correct. La valeur peut être définie par incréments de 0,1.La valeur par défaut est null, ce qui indique que la prédiction la plus probable est comptabilisée comme correcte.
[!REMARQUE]
Bien que vous puissiez définir la valeur 0,0, son utilisation augmentera le temps de traitement et ne produira pas de résultats significatifs.
Obtenir les résultats
Cliquez pour commencer la validation croisée du modèle à l'aide des paramètres spécifiés.Le modèle est partitionné selon le nombre spécifié de replis et un modèle distinct est testé pour chaque repli. Par conséquent, la validation croisée peut mettre du temps à retourner les résultats.
Pour plus d'informations sur la façon d'interpréter les résultats du rapport de validation croisée, consultez Rapport de validation croisée (Analysis Services - Exploration de données).
Définition du seuil de précision
Vous pouvez contrôler le standard pour mesurer la précision de prédiction en définissant une valeur pour le paramètre Seuil cible. Le seuil représente une sorte de barre de précision. À chaque prédiction est assignée une probabilité d'exactitude de la valeur prédite. Par conséquent, si vous définissez pour Seuil cible une valeur plus proche de 1, la probabilité d'une prédiction donnée doit être relativement élevée pour être comptabilisée en tant que prédiction correcte. Inversement, si vous définissez pour Seuil cible une valeur plus proche de 0, même les prédictions ayant des valeurs de probabilité inférieures sont comptabilisées en tant que prédictions correctes.
Aucune valeur de seuil particulière n'est recommandée, car la probabilité de toute prédiction dépend du volume de données et du type de prédiction que vous faites. Vous devez examiner des prédictions à différents niveaux de probabilité pour déterminer une barre de précision appropriée pour vos données. Il est important de procéder ainsi, car la valeur que vous définissez pour Seuil cible affecte la précision mesurée du modèle.
Par exemple, supposons que trois prédictions soient effectuées pour un état cible donné et que les probabilités de chaque prédiction soient égales à 0,05, 0,15 et 0,8. Si vous définissez la valeur 0,5 pour le seuil, une seule prédiction est comptabilisée comme correcte. Si vous définissez la valeur 0,10 pour Seuil cible, deux prédictions sont comptabilisées comme correctes.
Lorsque Seuil cible a la valeur null, qui est la valeur par défaut, la prédiction la plus probable pour chaque cas est comptabilisée comme correcte. Dans l'exemple que nous venons de citer, 0,05, 0,15 et 0,8 sont les probabilités des prédictions de trois cas différents. Bien que les probabilités soient très différentes, chaque prédiction est comptabilisée comme correcte, car chaque cas génère une seule prédiction et il s'agit des meilleures prédictions pour ces cas.
Voir aussi