Partager via


Interrogation d'un modèle Naive Bayes (Analysis Services - Exploration de données)

Lorsque vous créez une requête sur un modèle d'exploration de données, vous pouvez soit créer une requête de contenu, qui fournit des détails sur les modèles (ou séquences) découverts au cours de l'analyse, soit créer une requête de prédiction, qui utilise les séquences du modèle pour effectuer des prédictions pour les nouvelles données. Vous pouvez également récupérer les métadonnées relatives au modèle en utilisant une requête sur l'ensemble de lignes de schéma d'exploration de données. Cette section explique comment créer ces requêtes pour les modèles basés sur l'algorithme MNB (Microsoft Naive Bayes).

  • Requêtes de contenu

    Obtention des métadonnées du modèle à l'aide de DMX

    Récupération d'un résumé des données d'apprentissage

    Recherche d'informations complémentaires sur les attributs

    Utilisation de procédures stockées système

  • Requêtes de prédiction

    Prédiction de résultats à l'aide d'une requête singleton

    Retour de prédictions avec la probabilité et la prise en charge

    Prédiction d'associations

Recherche d'informations sur le modèle Naive Bayes

Le contenu d'un modèle Naive Bayes fournit des informations agrégées sur la distribution de valeurs dans les données d'apprentissage. Vous pouvez également récupérer des informations sur les métadonnées du modèle en créant des requêtes sur les ensembles de lignes de schéma d'exploration de données.

Retour au début

Exemple de requête 1 : obtention des métadonnées du modèle à l'aide de DMX

En interrogeant l'ensemble de lignes de schéma d'exploration de données, vous pouvez obtenir les métadonnées du modèle. Celles-ci peuvent inclure la date de création du modèle, celle de son dernier traitement, le nom de la structure d'exploration de données sur laquelle le modèle est basé, ainsi que le nom des colonnes utilisées comme attribut prévisible. Vous pouvez également retourner les paramètres qui ont été utilisés lors de la création du modèle.

SELECT MODEL_CATALOG, MODEL_NAME, DATE_CREATED, LAST_PROCESSED,
SERVICE_NAME, PREDICTION_ENTITY, FILTER
FROM $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'TM_NaiveBayes_Filtered'

Exemples de résultats :

MODEL_CATALOG

AdventureWorks

MODEL_NAME

TM_NaiveBayes_Filtered

DATE_CREATED

3/1/2008 19:15

LAST_PROCESSED

3/2/2008 20:00

SERVICE_NAME

Microsoft_Naive_Bayes

PREDICTION_ENTITY

Bike Buyer,Yearly Income

FILTER

[Region] = 'Europe' OR [Region] = 'North America'

Le modèle utilisé pour cet exemple est basé sur le modèle Naive Bayes créé dans le Didacticiel sur l'exploration de données de base, mais il a été modifié en ajoutant un deuxième attribut prévisible et en appliquant un filtre aux données d'apprentissage.

Retour au début

Exemple de requête 2 : récupération d'un résumé des données d'apprentissage

Dans un modèle Naive Bayes, le nœud des statistiques marginales stocke des informations agrégées sur la distribution de valeurs dans les données d'apprentissage. Ce résumé est pratique et vous évite d'avoir à créer des requêtes SQL sur les données d'apprentissage pour obtenir les mêmes informations.

L'exemple suivant utilise une requête de contenu DMX pour récupérer les données du nœud (NODE_TYPE = 24). Les statistiques étant stockées dans une table imbriquée, le mot clé FLATTENED est utilisé pour simplifier l'affichage des résultats.

SELECT FLATTENED MODEL_NAME,
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE, [SUPPORT], [PROBABILITY], VALUETYPE FROM NODE_DISTRIBUTION) AS t
FROM TM_NaiveBayes.CONTENT
WHERE NODE_TYPE = 26

[!REMARQUE]

Vous devez placer le nom des colonnes SUPPORT et PROBABILITY entre crochet afin de les distinguer des mots clés réservés MDX (Multidimensional Expressions) qui portent le même nom.

Résultats partiels :

MODEL_NAME

t.ATTRIBUTE_NAME

t.ATTRIBUTE_VALUE

t.SUPPORT

t.PROBABILITY

t.VALUETYPE

TM_NaiveBayes

Bike Buyer

Missing

0

0

1

TM_NaiveBayes

Bike Buyer

0

8869

0.507263784

4

TM_NaiveBayes

Bike Buyer

1

8615

0.492736216

4

TM_NaiveBayes

Gender

Missing

0

0

1

TM_NaiveBayes

Gender

F

8656

0.495081217

4

TM_NaiveBayes

Gender

M

8828

0.504918783

4

Par exemple, ces résultats vous indiquent le nombre de cas d'apprentissage pour chaque valeur discrète (VALUETYPE = 4), ainsi que la probabilité calculée, ajustée pour les valeurs manquantes (VALUETYPE = 1).

Pour connaître la définition des valeurs indiquées dans la table NODE_DISTRIBUTION d'un modèle Naive Bayes, consultez Contenu du modèle d'exploration de données pour les modèles Naive Bayes (Analysis Services - Exploration de données). Pour plus d'informations sur la façon dont les valeurs manquantes affectent les calculs de prise en charge et de probabilité, consultez Valeurs manquantes (Analysis Services - Exploration de données).

Retour au début

Exemple de requête 3 : recherche d'informations complémentaires sur les attributs.

Un modèle Naive Bayes contenant souvent des informations complexes sur les relations entre les différents attributs, la méthode la plus facile pour consulter ces relations consiste à utiliser la Visionneuse de l'algorithme MNB (Microsoft Naive Bayes). Vous pouvez cependant créer des requêtes DMX pour retourner les données.

L'exemple suivant montre comment retourner des informations à partir du modèle d'un attribut spécifique, Region.

SELECT NODE_TYPE, NODE_CAPTION, 
NODE_PROBABILITY, NODE_SUPPORT, MSOLAP_NODE_SCORE
FROM TM_NaiveBayes.CONTENT
WHERE ATTRIBUTE_NAME = 'Region'

Cette requête retourne deux types de nœuds : le nœud qui représente l'attribut d'entrée (NODE_TYPE = 10) et ceux pour chaque valeur de l'attribut (NODE_TYPE = 11). La légende du nœud est utilisée pour l'identifier, plutôt que son nom, car elle affiche à la fois le nom d'attribut et la valeur d'attribut.

NODE_TYPE

NODE_CAPTION

NODE_PROBABILITY

NODE_SUPPORT

MSOLAP_NODE_SCORE

NODE_TYPE

10

Bike Buyer -> Region

1

17484

84.51555875

10

11

Bike Buyer -> Region = Missing

0

0

0

11

11

Bike Buyer -> Region = North America

0.508236102

8886

0

11

11

Bike Buyer -> Region = Pacific

0.193891558

3390

0

11

11

Bike Buyer -> Region = Europe

0.29787234

5208

0

11

Certaines des colonnes stockées dans les nœuds sont identiques à celles obtenues à partir des nœuds des statistiques marginales, telles que le score de probabilité du nœud ou ses valeurs de support. Toutefois, MSOLAP_NODE_SCORE est une valeur spéciale indiquée uniquement pour les nœuds de l'attribut d'entrée et qui précise l'importance relative de cet attribut dans le modèle. Vous pouvez consulter pratiquement les mêmes informations dans le volet Réseau de dépendances de la visionneuse, celle-ci n'indiquant cependant pas de score.

La requête suivante retourne les scores d'importance de tous les attributs du modèle :

SELECT NODE_CAPTION, MSOLAP_NODE_SCORE
FROM TM_NaiveBayes.CONTENT
WHERE NODE_TYPE = 10
ORDER BY MSOLAP_NODE_SCORE DESC

Exemples de résultats :

NODE_CAPTION

MSOLAP_NODE_SCORE

Bike Buyer -> Total Children

181.3654836

Bike Buyer -> Commute Distance

179.8419482

Bike Buyer -> English Education

156.9841928

Bike Buyer -> Number Children At Home

111.8122599

Bike Buyer -> Region

84.51555875

Bike Buyer -> Marital Status

23.13297354

Bike Buyer -> English Occupation

2.832069191

En parcourant le contenu du modèle dans la Visionneuse de l'arborescence de contenu générique Microsoft, vous obtiendrez une meilleure idée des statistiques qui peuvent s'avérer intéressantes. Les exemples présentés dans la présente documentation sont simples, mais la plupart du temps, il peut s'avérer nécessaire d'exécuter plusieurs requêtes, ou de stocker les résultats et de les traiter sur le client.

Retour au début

Exemple de requête 4 : utilisation de procédures stockées système

Outre l'écriture de vos propres requêtes de contenu, vous pouvez utiliser des procédures stockées système Analysis Services pour explorer les résultats. Pour utiliser une procédure stockée système, préfixez son nom avec le mot clé CALL :

CALL GetPredictableAttributes ('TM_NaiveBayes')

Résultats partiels :

ATTRIBUTE_NAME

NODE_UNIQUE_NAME

Bike Buyer

100000001

[!REMARQUE]

Ces procédures stockées système sont réservées à la communication interne entre le serveur Analysis Services et le client, et doivent uniquement être utilisées pour des raisons pratiques lors du développement et du test des modèles d'exploration de données. Lorsque vous créez des requêtes pour un système de production, vous devez toujours les écrire en utilisant DMX, AMO ou XMLA.

Pour plus d'informations sur les procédures stockées système Analysis Services, consultez Procédures stockées d'exploration de données (Analysis Services - Exploration de données).

Retour au début

Élaboration de prédictions à l'aide du modèle

L'algorithme MNB (Microsoft Naive Bayes) est en général moins utilisé pour la prédiction qu'il ne l'est pour l'exploration des relations entre les attributs d'entrée et les attributs prévisibles. Toutefois, le modèle prend en charge l'utilisation de fonctions de prédiction à la fois pour la prédiction et l'association.

Exemple de requête 5 : prédiction des résultats à l'aide d'une requête singleton

La requête suivante utilise une requête singleton pour fournir une nouvelle valeur et prédire, selon le modèle, si un client présentant ces caractéristiques est susceptible d'acheter un vélo. La méthode la plus facile pour créer une requête singleton sur un modèle de régression consiste à utiliser la boîte de dialogue Entrée de requête singleton. Par exemple, pour créer la requête DMX suivante, sélectionnez le modèle TM_NaiveBayes, choisissez Requête Singleton, puis sélectionnez des valeurs pour [Commute Distance] et Gender dans les listes déroulantes.

SELECT
  Predict([TM_NaiveBayes].[Bike Buyer])
FROM
  [TM_NaiveBayes]
NATURAL PREDICTION JOIN
(SELECT '5-10 Miles' AS [Commute Distance],
  'F' AS [Gender]) AS t

Résultats de l'exemple :

Expression

0

La fonction de prédiction retourne la valeur la plus probable, 0 dans le cas présent, qui signifie qu'il est peu probable que ce type de client achète un vélo.

Retour au début

Exemple de requête 6 : Retour de prédictions avec la probabilité et la prise en charge

Outre la prédiction d'un résultat, vous souhaitez souvent connaître sa pertinence. La requête suivante utilise la même requête singleton que l'exemple précédent, mais ajoute la fonction de prédiction PredictHistogram (DMX) pour retourner une table imbriquée qui contient des statistiques pour la prédiction.

SELECT
  Predict([TM_NaiveBayes].[Bike Buyer]),
  PredictHistogram([TM_NaiveBayes].[Bike Buyer])
FROM
  [TM_NaiveBayes]
NATURAL PREDICTION JOIN
(SELECT '5-10 Miles' AS [Commute Distance],
  'F' AS [Gender]) AS t

Résultats de l'exemple :

Bike Buyer

$SUPPORT

$PROBABILITY

$ADJUSTEDPROBABILITY

$VARIANCE

$STDEV

0

10161.5714

0.581192599

0.010530981

0

0

1

7321.428768

0.418750215

0.008945684

0

0

  

0.999828444

5.72E-05

5.72E-05

0

0

La ligne finale de la table indique les ajustements apportés aux paramètres de prise en charge et de probabilité pour la valeur manquante. Les valeurs de variance et d'écart type sont toujours 0, car les modèles Naive Bayes ne peuvent pas modéliser des valeurs continues.

Retour au début

Exemple de requête 7 : prédiction d'associations

L'algorithme MNB (Microsoft Naive Bayes) permet d'analyser les associations, si la structure d'exploration de données contient une table imbriquée avec l'attribut prévisible comme clé. Par exemple, pour créer un modèle Naive Bayes, utilisez la structure d'exploration de données créée dans Leçon 3 : Génération d'un scénario de panier d'achat (Didacticiel sur l'exploration de données intermédiaire) du didacticiel d'exploration de données. Le modèle utilisé dans cet exemple a été modifié pour ajouter des informations sur le revenu et la région du client dans la table de cas.

L'exemple de requête suivant présente une requête singleton qui prédit les produits associés aux achats, 'Road Tire Tube'. Vous pouvez utiliser ces informations pour recommander des produits à un type de client spécifique.

SELECT   PredictAssociation([Association].[v Assoc Seq Line Items])
FROM [Association_NB]
NATURAL PREDICTION JOIN
(SELECT 'High' AS [Income Group],
  'Europe' AS [Region],
  (SELECT 'Road Tire Tube' AS [Model]) 
AS [v Assoc Seq Line Items]) 
AS t

Résultats partiels :

Model

Women's Mountain Shorts

Water Bottle

Touring-3000

Touring-2000

Touring-1000

Retour au début

Liste de fonctions

Tous les algorithmes Microsoft prennent en charge un ensemble commun de fonctions. Toutefois, l'algorithme MNB (Microsoft Naive Bayes) prend en charge les fonctions supplémentaires répertoriées dans le tableau suivant.

Pour obtenir la liste des fonctions communes à tous les algorithmes Microsoft, consultez Informations de référence sur les algorithmes (Analysis Services - Exploration de données). Pour connaître la syntaxe de fonctions spécifiques, consultez Fonctions DMX (Data Mining Extensions).

Historique des modifications

Mise à jour du contenu

Ajout de liens de navigation afin de faciliter la consultation des exemples de requêtes.