Partager via


Création d'une structure et d'un modèle de réseau neuronal (Didacticiel sur l'exploration de données intermédiaire)

 

S’applique à : SQL Server 2016 Preview

Pour créer un modèle d'exploration de données, vous devez d'abord utiliser l'Assistant Exploration de données pour créer une nouvelle structure d'exploration de données basée sur la nouvelle vue de source de données. Au cours de cette tâche, vous allez utiliser cet Assistant pour créer une structure d'exploration de données ainsi qu'un modèle d'exploration de données associé basé sur l'algorithme MNN (Microsoft Neural Network).

Les réseaux neuronaux sont extrêmement flexibles et peuvent analyser de nombreuses combinaisons d'entrées et de sorties ; vous devez donc essayer plusieurs façons de traiter les données pour obtenir des résultats optimaux. Par exemple, vous souhaiterez personnaliser la façon dont la cible numérique de qualité de service est placées, ou regroupées, pour cibler des besoins professionnels spécifiques. Pour ce faire, vous allez ajouter une nouvelle colonne à la structure d'exploration de données qui regroupe les données numériques de façon différente, puis vous allez créer un modèle qui utilise la nouvelle colonne. Vous allez utiliser ces modèles d'exploration de données pour effectuer une exploration de données.

Enfin, lorsque vous aurez appris à partir du modèle de réseau neuronal quels sont les facteurs ayant l'impact le plus important pour votre question pratique, vous pourrez générer un modèle distinct de prédiction et de calcul de score. Vous utiliserez l'algorithme MLR (Microsoft) qui se base sur le modèle de réseaux neuronaux mais qui est optimisé pour la recherche d'une solution axée sur des entrées spécifiques.

Étapes

Créer la structure et le modèle d'exploration de données par défaut

Utiliser la discrétisation pour placer la colonne prédictible dans un conteneur

Copier la colonne et modifier la méthode de discrétisation pour un autre modèle

Créer un alias pour la colonne prédictible afin que vous puissiez comparer les modèles

Traiter tous les modèles

Créer la structure de centre d'appels par défaut

  1. Dans l’Explorateur de solutions dans Outils de données SQL Server (SSDT), avec le bouton droit des Structures d’exploration de données et sélectionnez nouvelle Structure d’exploration de données.

  2. Dans la page Assistant Exploration de données, cliquez surSuivant.

  3. Sur le Sélectionner la méthode de définition page, vérifiez que à partir de la base de données ou de données relationnelle existante est sélectionnée, puis cliquez sur Suivant.

  4. Sur le créer la Structure d’exploration de données page, vérifiez que l’option créer la structure d’exploration de données avec un modèle d’exploration de données est sélectionnée.

  5. Cliquez sur la liste déroulante de l’option quelle technique d’exploration de données voulez-vous utiliser ?, puis sélectionnez réseaux neuronaux Microsoft.

    Les modèles de régression logistique étant basés sur les réseaux neuronaux, vous pouvez réutiliser la même structure et ajouter un nouveau modèle d'exploration de données.

  6. Cliquez sur Suivant.

    Le Sélectionner une vue de Source de données page s’affiche.

  7. Sous vues de source de données, sélectionnez Centre d’appels, puis cliquez sur Suivant.

  8. Sur le spécifier les Types de Table page, sélectionnez le cas case à cocher en regard du FactCallCenter table. Ne rien pour sélectionner DimDate. Cliquez sur Suivant.

  9. Sur le spécifier les données d’apprentissage page, sélectionnez clé en regard de la colonne FactCallCenterID.

  10. Sélectionnez le Predict et entrée cases à cocher.

  11. Sélectionnez le clé, entrée, et Predict cases à cocher comme indiqué dans le tableau suivant :

    Tables/Colonnes Clé/Entrée/Prédire
    AutomaticResponses Entrée
    AverageTimePerIssue Entrée/Prédire
    Calls Entrée
    DateKey À ne pas utiliser
    DayOfWeek Entrée
    FactCallCenterID Clé
    IssuesRaised Entrée
    LevelOneOperators Entrée/Prédire
    LevelTwoOperators Entrée
    Orders Entrée/Prédire
    ServiceGrade Entrée/Prédire
    Shift Entrée
    TotalOperators À ne pas utiliser
    WageType Entrée

    Notez que plusieurs colonnes prédictibles ont été sélectionnées. L'une des forces de l'algorithme de réseau neuronal réside dans sa possibilité à analyser toutes les combinaisons possibles des attributs d'entrée et de sortie. Cette action ne convient pas pour un jeu de données de grande taille, car cela peut augmenter de manière exponentielle le temps de traitement.

  12. Sur le Type de données et de contenu des colonnes spécifier page, vérifiez que la grille contient les colonnes, les types de contenu et les types de données comme indiqué dans le tableau suivant, puis cliquez sur Suivant.

    Columns Type de contenu Types de données
    AutomaticResponses Continu Long
    AverageTimePerIssue Continu Long
    Calls Continu Long
    DayOfWeek Discret Texte
    FactCallCenterID Clé Long
    IssuesRaised Continu Long
    LevelOneOperators Continu Long
    LevelTwoOperators Continu Long
    Orders Continu Long
    ServiceGrade Continu Double
    Shift Discret Texte
    WageType Discret Texte
  13. Sur le créer le test défini page, désactivez l’option, la zone de texte pourcentage des données de test. Cliquez sur Suivant.

  14. Sur le fin de l’Assistant page, pour le nom de la structure d’exploration de données, type Centre d’appels.

  15. Pour le nom du modèle d’exploration de données, type appeler le centre par défaut NN, puis cliquez sur Terminer.

    Le Autoriser l’extraction est désactivée, car vous ne pouvez pas extraire les données avec des modèles de réseau neuronal.

  16. Dans l’Explorateur de solutions, cliquez sur le nom de la structure d’exploration de données que vous venez créé, puis sélectionnez processus.

Utiliser la discrétisation pour placer la colonne cible dans un conteneur

Par défaut, lorsque vous créez un modèle de réseau neuronal qui a un attribut prédictible numérique, l'algorithme MNN (Microsoft Neural Network) traite cet attribut comme un nombre continu. Par exemple, l'attribut ServiceGrade est un nombre qui, théoriquement, est compris entre 0.00 (tous les appels font l'objet d'une réponse) et 1.00 (tous les appelants raccrochent). Dans ce jeu de données, les valeurs sont distribuées de la façon suivante :

distribution de valeurs de niveau de service

En conséquence, lorsque vous traitez le modèle, les sorties peuvent ne pas être regroupées comme vous le souhaitez. Par exemple, si vous utilisez le clustering pour identifier les groupes de valeurs, l’algorithme divise les valeurs de ServiceGrade en plages telles que celle-ci : 0.0748051948 - 0.09716216215. Bien que ce regroupement soit mathématiquement exact, il est possible que ce type de plage ne soit pas aussi explicite pour les utilisateurs professionnels.

Au cours de cette étape, pour rendre le résultat plus intuitif, vous allez regrouper les valeurs numériques différemment, en créant des copies de la colonne de données numériques.

Fonctionne de la discrétisation

Analysis Services fournit plusieurs méthodes pour le traitement des données numériques ou leur placement dans un conteneur. Le tableau suivant illustre les différences qui existent entre les résultats lorsque l'attribut de sortie ServiceGrade est traité de trois manières différentes :

  • en le traitant comme un nombre continu ;

  • en ayant le clustering d'utilisation d'algorithme pour identifier le meilleur arrangement des valeurs ;

  • en spécifiant que les nombres doivent être placés dans un conteneur par la méthode EQUAL_AREAS (zones équivalentes).

Modèle par défaut (continu) Placement dans un conteneur par clustering Placement dans un conteneur par zones équivalentes
VALEUR : manquant prise en charge : 0

VALEUR : 0,09875 PRISE EN CHARGE : 120
VALEUR : < 0.0748051948 PRISE EN CHARGE : 34

VALEUR : 0.0748051948 - 0.09716216215 PRISE EN CHARGE : 27

VALEUR : 0.09716216215 - 0.13297297295 PRISE EN CHARGE : 39

VALEUR : 0.13297297295 - 0.167499999975 PRISE EN CHARGE : 10

VALEUR : > = 0.167499999975 PRISE EN CHARGE : 10
VALEUR : < 0.07 PRISE EN CHARGE : 26

VALEUR : 0.07 - 0,00 PRISE EN CHARGE : 22

VALEUR : 0,09 - 0.11 PRISE EN CHARGE : 36

VALEUR : > = 0.12 PRISE EN CHARGE : 36

Notes


Vous pouvez obtenir ces statistiques à partir du nœud des statistiques marginales du modèle, une fois que toutes les données ont été traitées. Pour plus d’informations sur le nœud de statistiques marginales, consultez modèle d’exploration de contenu pour les modèles de réseau neuronal &#40 ; Analysis Services - Exploration de données &#41 ;.

Dans cette table, la colonne VALUE montre la manière dont le nombre de ServiceGrade a été traité. La colonne SUPPORT indique le nombre de cas ayant eu cette valeur, ou qui sont tombés dans cette plage.

  • Utilisez les nombres continus (valeur par défaut)

    Si vous avez utilisé la méthode par défaut, l'algorithme calcule des résultats pour 120 valeurs distinctes, dont la valeur moyenne est 0,09875. Vous pouvez également consulter le nombre de valeurs manquantes.

  • Emplacement par le clustering

    Lorsque vous laissez l'algorithme de clustering Microsoft déterminer le regroupement facultatif des valeurs, l'algorithme regrouperait les valeurs de ServiceGrade en cinq (5) plages. Le nombre de cas dans chaque plage n'est pas distribué uniformément, comme vous pouvez voir dans la colonne Support.

  • Emplacement par zones équivalentes

    Lorsque vous choisissez cette méthode, l'algorithme force les valeurs dans des compartiments de taille égale qui modifie tour à tour les limites supérieure et inférieure de chaque plage. Vous pouvez spécifier le nombre de compartiments, mais vous éviterez d'avoir deux valeurs manquantes dans chaque compartiment.

Pour plus d’informations sur les options de placement, consultez méthodes de discrétisation &#40 ; d’exploration de données &#41 ;.

Au lieu d’utiliser les valeurs numériques, vous pouvez également ajouter une colonne dérivée distincte qui classifie les niveaux de service en plages cibles prédéfinies, telles que meilleures (ServiceGrade < = 0,05), Acceptable (0.10 > ServiceGrade > 0.05), et médiocre (ServiceGrade > = 0,10).

Créer une copie d'une colonne et modifier la méthode de discrétisation

Vous allez effectuer une copie de la colonne d’exploration de données qui contient l’attribut cible, ServiceGrade et modifier la façon dont les nombres sont regroupés. Vous pouvez créer plusieurs copies d'une colonne d'une structure d'exploration de données, y compris de l'attribut prédictible.

Pour ce didacticiel, vous allez utiliser la méthode EQUAL_AREAS de discrétisation et spécifier quatre compartiments. Les regroupements qui résultent de cette méthode sont très proches des valeurs cibles présentant un intérêt pour les utilisateurs professionnels.

Pour créer une copie personnalisée d'une colonne dans la structure d'exploration de données

  1. Dans l'Explorateur de solutions, double-cliquez sur la structure d'exploration de données que vous venez de créer.

  2. Dans l’onglet Structure d’exploration de données, cliquez sur Ajouter une colonne de structure d’exploration de données.

  3. Dans la Sélectionner la colonne boîte de dialogue, sélectionnez ServiceGrade dans la liste de colonne Source, puis cliquez sur OK.

    Une nouvelle colonne est ajoutée à la liste des colonnes de structure d'exploration de données. Par défaut, la nouvelle colonne d'exploration de données porte le même nom que la colonne existante, avec une valeur numérique finale en plus : par exemple, ServiceGrade 1. Vous pouvez modifier le nom de cette colonne afin de le rendre plus descriptif.

    Vous devez également spécifier la méthode de discrétisation.

  4. Cliquez sur ServiceGrade 1 et sélectionnez propriétés.

  5. Dans la propriétés fenêtre, recherchez le nom propriété et modifiez le nom en placées dans un conteneur de niveau de Service .

  6. Une boîte de dialogue s'affiche en vous demandant si vous souhaitez apporter la même modification au nom de toutes les colonnes de modèle d'exploration de données connexe. Cliquez sur Non.

  7. Dans la propriétés fenêtre, recherchez la section Type de données et le développer si nécessaire.

  8. Modifiez la valeur de la propriété contenu de continu à Discretized.

    Les propriétés suivantes sont maintenant disponibles. Modifiez les valeurs des propriétés comme indiqué dans le tableau suivant :

    Propriété Valeur par défaut Nouvelle valeur
    DiscretizationMethod Continu EqualAreas
    DiscretizationBucketCount Aucune valeur 4

    Notes


    La valeur par défaut DiscretizationBucketCount est 0, ce qui signifie que l’algorithme détermine automatiquement le nombre optimal de compartiments. Par conséquent, si vous voulez réinitialiser la valeur par défaut de cette propriété, tapez 0.

  9. Dans le Concepteur d’exploration de données, cliquez sur le des modèles d’exploration de données onglet.

    Notez que lorsque vous ajoutez une copie d’une colonne de structure d’exploration de données, l’indicateur d’utilisation de la copie est automatiquement définie Ignorer. En règle générale, lorsque vous ajoutez une copie d'une colonne à une structure d'exploration de données, vous ne devez pas utiliser la copie conjointement avec la colonne d'origine à des fins d'analyse ; sinon, l'algorithme trouvera une forte corrélation entre les deux colonnes, ce qui risque de masquer d'autres relations.

Ajouter un nouveau modèle d'exploration de données à la structure d'exploration de données

À présent que vous avez créé un regroupement pour l'attribut cible, vous devez ajouter un nouveau modèle d'exploration de données qui utilise la colonne discrétisée. Une fois que vous aurez terminé, la structure d'exploration de données CallCenter disposera de deux modèles d'exploration de données :

  • Le modèle d'exploration de données, Call Center Default NN (Centre d'appels par défaut NN), gère les valeurs ServiceGrade sous forme de plage continue.

  • Vous allez créer un nouveau modèle d’exploration de données, appelez Center placées dans un conteneur NN, qui utilise en tant que ses résultats cibles les valeurs de la colonne ServiceGrade, distribuée dans quatre compartiments de taille égale.

Pour ajouter un modèle d'exploration de données basé sur la nouvelle colonne discrétisée

  1. Dans l’Explorateur de solutions, cliquez sur la structure d’exploration de données que vous venez créé, puis sélectionnez Open.

  2. Cliquez sur l'onglet Modèles d'exploration de données .

  3. Cliquez sur créer un modèle d’exploration de données.

  4. Dans la nouveau modèle d’exploration de données boîte de dialogue pour nom du modèle, type appeler le centre placées dans un conteneur NN. Dans le nom de l’algorithme liste déroulante, sélectionnez (Microsoft Neural Network).

  5. Dans la liste des colonnes contenues dans le nouveau modèle d’exploration de données, localisez ServiceGrade, puis modifiez l’utilisation de Predict à Ignorer.

  6. De même, localisez ServiceGrade Binned et modifier l’indicateur d’utilisation Ignorer à Predict.

Créer un alias pour la colonne cible

D'ordinaire, vous ne pouvez pas comparer des modèles d'exploration de données qui utilisent des attributs prédictibles différents. Toutefois, vous pouvez créer un alias pour une colonne de modèle d'exploration de données. Autrement dit, vous pouvez renommer la colonne, ServiceGrade Binned, dans le modèle d’exploration de données afin qu’il a le même nom que la colonne d’origine. Vous pouvez ensuite comparer directement ces deux modèles dans un graphique d'analyse de précision, même si les données sont discrétisées de manière différente.

Pour ajouter un alias pour une colonne de structure d'exploration de données dans un modèle d'exploration de données

  1. Dans la des modèles d’exploration de données de l’espace sous Structure, sélectionnez ServiceGrade Binned.

    Notez que le propriétés fenêtre affiche les propriétés de l’objet, ScalarMiningStructureColumn.

  2. Sous la colonne du modèle d'exploration de données, ServiceGrade Binned NN (ServiceGrade placé dans un conteneur NN), cliquez sur la cellule correspondant à la colonne ServiceGrade Binned (ServiceGrade placé dans un conteneur).

    Notez que maintenant la propriétés fenêtre affiche les propriétés de l’objet, MiningModelColumn.

  3. Recherchez le nom propriété et remplacez la valeur par ServiceGrade.

  4. Recherchez la Description propriété et le type alias de colonne temporaire.

    Le propriétés fenêtre doit contenir les informations suivantes :

    Propriété Valeur
    Description Temporary column alias (Alias de colonne temporaire)
    ID ServiceGrade Binned
    Indicateurs de modélisation
    Nom Service Grade (Niveau de service)
    ID SourceColumn Service Grade 1 (Niveau de service 1)
    Utilisation Prédire
  5. Cliquez n’importe où dans le le modèle de Mining onglet.

    La grille est mise à jour pour afficher le nouvel alias de colonne temporaire, ServiceGrade, en regard de l’utilisation des colonnes. La grille contenant la structure d'exploration de données et deux modèles d'exploration de données doit ressembler à ce qui suit :

    Structure Call Center Default NN Call Center Binned NN (Centre d'appels placé dans un conteneur NN)
    Microsoft Neural Network Microsoft Neural Network
    AutomaticResponses Entrée Entrée
    AverageTimePerIssue Prédire Prédire
    Calls Entrée Entrée
    DayOfWeek Entrée Entrée
    FactCallCenterID Clé Clé
    IssuesRaised Entrée Entrée
    LevelOneOperators Entrée Entrée
    LevelTwoOperators Entrée Entrée
    Orders Entrée Entrée
    ServiceGrade Binned (ServiceGrade placé dans un conteneur) Ignore Prédire (ServiceGrade)
    ServiceGrade Prédire Ignore
    Shift Entrée Entrée
    TotalOperators Entrée Entrée
    WageType Entrée Entrée

Traiter tous les modèles

Pour terminer, afin de vous assurer que les modèles créés sont facilement comparables, vous devez définir le paramètre de valeur initiale pour le modèle par défaut et le modèle placé dans un conteneur. La définition d'une valeur initiale permet de garantir que chaque modèle débutera le traitement des données à partir du même point.

Notes


Si vous ne spécifiez pas de valeur numérique pour le paramètre de valeur initiale, SQL Server Analysis Services générera une valeur initiale basée sur le nom du modèle. Puisque les modèles ont toujours des noms différents, vous devez définir une valeur initiale afin de garantir qu'ils traitent les données dans le même ordre.

Pour spécifier la valeur initiale et traiter les modèles

  1. Dans la modèle d’exploration de données avec le bouton droit de la colonne pour le modèle nommé Centre d’appels - LR et sélectionnez définir les paramètres d’algorithme.

  2. Dans la ligne correspondant au paramètre HOLDOUT_SEED, cliquez sur la cellule vide sous valeur, et le type 1. Cliquez sur OK. Répétez cette étape pour chaque modèle associé à la structure.

    Notes


    La valeur que vous choisissez comme valeur initiale n'a pas d'importance tant que vous utilisez la même valeur initiale pour tous les modèles associés.

  3. Dans la des modèles d’exploration de données menu, sélectionnez traiter la Structure d’exploration de données et tous les modèles. Cliquez sur Oui pour déployer le projet d’exploration de données mises à jour sur le serveur.

  4. Dans la modèle d’exploration de données de processus boîte de dialogue, cliquez sur exécuter.

  5. Cliquez sur Fermer pour fermer la progression du traitement boîte de dialogue, puis cliquez sur Fermer à nouveau dans le modèle d’exploration de données de processus boîte de dialogue.

Une fois que vous avez créé les deux modèles d'exploration de données connexes, vous devez explorer les données pour identifier les relations qui existent entre ces dernières.

Tâche suivante de la leçon

Exploration du modèle de centre d’appels &#40 ; didacticiel d’exploration de données intermédiaires &#41 ;

Voir aussi

Structures d’exploration de données (Analysis Services - Exploration de données)