Condividi tramite

  • Articolo

Gestione dei modelli di data mining in Progettazione modelli di data mining

Tramite la scheda Modelli di data mining di Progettazione modelli di data mining è possibile modificare i modelli di data mining di una struttura di data mining e aggiungere nuovi modelli alla struttura. I modelli di data mining sono basati sulle strutture di data mining definite tramite la Creazione guidata modello di data mining.

La scheda Modelli di data mining consiste in una serie di colonne. Una colonna descrive la struttura di data mining mentre le altre descrivono ogni modello di data mining associato. In ogni cella della struttura di colonne è riportata una colonna definita nella struttura, mentre in ogni cella di una colonna del modello di data mining è indicata la modalità secondo cui le colonne della struttura di data mining vengono utilizzate nel modello.

Tramite la scheda Modelli di data mining è possibile elaborare i modelli di data mining o creare nuovi modelli. Nella finestra Proprietà è possibile modificare le proprietà di una struttura di data mining e dei modelli associati. Nella finestra di dialogo Parametri algoritmo è possibile modificare i parametri dell'algoritmo utilizzato per la definizione del modello di data mining.

Per ulteriori informazioni, vedereWorking with Data Mining, Setting Column Properties on a Mining Structure, Setting Column Properties on a Mining Model e Mining Models Tab How-to TopicsElaborazione di oggetti di data mining, Impostazione delle proprietà di colonna in una struttura di data mining, Impostazione delle proprietà in un modello di data mining, Procedure per la scheda Modelli di data mining

Definizione di nuovi modelli di data mining

Dopo l'esecuzione della Creazione guidata modello di data mining la cartella Strutture di data mining di Esplora soluzioni include un solo modello di data mining basato sulla struttura di data mining definita tramite la creazione guidata. È possibile aggiungere modelli alla struttura tramite Progettazione modelli di data mining. Sebbene i nuovi modelli debbano avere in comune la stessa struttura di data mining, per ogni singolo modello è possibile variare il tipo di algoritmo, le colonne utilizzate e i parametri algoritmo.

La creazione di più modelli basati sulla stessa struttura comporta numerosi vantaggi:

  • Ogni tipo di algoritmo restituisce una visualizzazione diversa dei risultati. La definizione di più modelli basati sulla stessa struttura consente di ottenere dagli stessi dati informazioni diverse. È possibile, ad esempio, utilizzare un modello di clustering per l'esplorazione dei dati e un modello di albero delle decisioni per la creazione di stime basate sui dati.

  • I risultati di un modello di data mining variano a seconda dei parametri impostati. È possibile creare più modelli diversi basati sullo stesso algoritmo variando solo l'impostazione di un parametro e confrontare quindi i risultati in modo da individuare l'impostazione migliore per l'algoritmo.

  • È possibile applicare un filtro al modello che controlla i dati utilizzati per il training e il testing del modello.

  • I risultati di un modello di data mining variano inoltre a seconda delle colonne di input selezionate. È possibile definire più modelli utilizzando colonne diverse per ognuno di essi e confrontare quindi i risultati in modo da individuare le colonne più appropriate da utilizzare come input.

Per ulteriori informazioni:How to: Add a Mining Model to an Existing Mining Structure, Data Mining Algorithms, Creating Filters for Mining Models (Analysis Services - Data Mining)Procedura: Aggiunta di un modello di data mining a una struttura di data mining esistente, Algoritmi di data mining (Analysis Services - Data mining), Creazione di filtri per i modelli di data mining (Analysis Services - Data mining)

Modifica di modelli di data mining esistenti

Nella scheda Modelli di data mining è possibile modificare il modello dopo che è stato creato. È possibile modificare il tipo di algoritmo, il nome del modello e i parametri specifici di ogni algoritmo. È anche possibile modificare l'utilizzo di colonne, aggiungere alias alle colonne del modello e creare un filtro applicato al modello di data mining durante il training e il testing.

Per ulteriori informazioni, vedere Mining Models Tab How-to Topics.Procedure per la scheda Modelli di data mining

È inoltre possibile modificare un modello di data mining modificando la struttura di data mining sottostante tramite la scheda Struttura di data mining.

Per ulteriori informazioni, vedere Managing Mining Structures in Data Mining Designer.Gestione di strutture di data mining in Progettazione modelli di data mining

Modifica dell'utilizzo delle colonne di data mining

Per un modello di data mining è possibile specificare colonne diverse e la modalità di utilizzo di ogni colonna, ad esempio come colonna di input, chiave o stimabile, tramite le celle delle colonne del modello disponibili nella scheda Modelli di data mining. Ogni cella corrisponde a una colonna della struttura di data mining. Per le colonne chiave è possibile impostare la cella su Key o Ignore. Per le colonne di input e di output è possibile impostare la cella sui valori seguenti:

  • Ignore

  • Input

  • Predict

  • PredictOnly

Se si imposta una cella su Ignore, la colonna viene rimossa dal modello di data mining specifico, ma continuerà ad essere utilizzata da altri modelli di data mining della struttura.

Aggiunta di alias alle colonne del modello

Quando Analysis Services crea il modello di data mining, utilizza gli stessi nomi della colonna presenti nella struttura di data mining. È possibile aggiungere un alias a qualsiasi colonne del modello di data mining. Questo può facilitare la comprensione del contenuto o dell'utilizzo della colonna oppure rendere il nome più corto per semplificare la creazione delle query.

Creare un alias modificando la proprietà Name della colonna del modello di data mining. Analysis Services continua a utilizzare il nome originale come ID della colonna e il nuovo valore digitato come Nome diviene l'alias della colonna e viene visualizzato nella griglia tra parentesi accanto all'utilizzo della colonna.

Alias nelle colonne del modello di data mining

In questo esempio vengono mostrati i modelli correlati che dispongono di più copie di una colonna della struttura di data mining correlata al reddito. Ogni copia della colonna della struttura è stata discretizzata in modo diverso. I modelli nel diagramma utilizzano ciascuno una colonna diversa dalla struttura di data mining. Tuttavia, per facilitare il confronto delle colonne attraverso i modelli, la colonna in ogni modello è stata rinominata come [Income].

Aggiunta di filtri

È possibile aggiungere un filtro a un modello di data mining. Un filtro è un set di condizioni di WHERE che limitano i dati nei case del modello ad alcuni subset. Il filtro viene utilizzato durante il training del modello e può essere utilizzata facoltativamente durante il test del modello o durante la creazione dei grafici di accuratezza.

Per ulteriori informazioni, vedere Creazione di filtri per i modelli di data mining (Analysis Services - Data mining).