Algoritmo Microsoft Neural Network

Articolo
07/30/2013

In SQL Server Analysis Services, l'algoritmo Microsoft Neural Network consente di combinare ogni possibile stato dell'attributo di input con ogni possibile stato dell'attributo di stima e di utilizzare i dati di training per calcolare le probabilità. Queste probabilità potranno quindi essere utilizzate a scopo di classificazione o regressione o per stimare un risultato dell'attributo stimato, sulla base degli attributi di input.

Un modello di data mining costruito con l'algoritmo Microsoft Neural Network può includere più reti, a seconda del numero di colonne utilizzate sia per l'input che per la stima o solo per la stima. Il numero di reti incluse in un singolo modello di data mining dipende dal numero di stati contenuti nelle colonne di input e stimabili utilizzate dal modello.

Esempio

L'algoritmo Microsoft Neural Network è utile per l'analisi di dati di input complessi, ad esempio relativi a un processo di produzione o commerciale, oppure di problemi aziendali per i quali è disponibile una quantità significativa di dati di training ma non è possibile derivare facilmente regole specifiche tramite altri algoritmi.

Tra gli scenari consigliati per l'utilizzo dell'algoritmo Microsoft Neural Network sono inclusi i seguenti:

Analisi di marketing e di promozioni, ad esempio la misurazione del successo di una promozione tramite mailing diretto o di una campagna pubblicitaria radiofonica
Stima di fluttuazioni del mercato azionario e valutarie o di altre informazioni finanziarie ad elevata variabilità in base a dati cronologici
Analisi di processi di produzione e industriali
Text mining.
Qualsiasi modello di stima che analizza le relazioni complesse tra molti input e un numero relativamente basso di output.

Funzionamento dell'algoritmo

L'algoritmo Microsoft Neural Network crea una rete composta da un massimo di tre livelli di neuroni. Tali livelli rappresentano rispettivamente un livello di input, un livello nascosto facoltativo e un livello di output.

Livello di input: i neuroni di input definiscono tutti i valori dell'attributo di input per il modello di data mining e le relative probabilità.

Livello nascosto: i neuroni nascosti ricevono input dai neuroni di input e forniscono output ai neuroni di output. Alle diverse probabilità degli input vengono assegnati pesi sul livello nascosto. Un peso descrive la pertinenza o l'importanza di un particolare input rispetto al neurone nascosto. Maggiore è il peso assegnato a un input, più importante è il valore di quell'input. Quando i pesi sono negativi, l'input può inibire, anziché favorire, un risultato specifico.

Livello di output: i neuroni di output rappresentano valori dell'attributo stimabile per il modello di data mining.

Per una spiegazione dettagliata della creazione dei livelli di output, input e nascosti e dell'assegnazione dei punteggi a tali livelli, vedere Riferimento tecnico per l'algoritmo Microsoft Neural Network.

Dati necessari per modelli di rete neurale

Un modello di rete neurale deve contenere una colonna chiave, una o più colonne di input e una o più colonne stimabili.

I modelli di data mining che utilizzano l'algoritmo Microsoft Neural Network dipendono considerevolmente dai valori specificati per i parametri forniti all'algoritmo. I parametri definiscono le modalità di campionamento e distribuzione dei dati in ciascuna colonna e stabiliscono quando deve essere chiamata la selezione delle caratteristiche per limitare i valori utilizzati nel modello finale.

Per ulteriori informazioni sull'impostazione di parametri per personalizzare il comportamento del modello, vedere Riferimento tecnico per l'algoritmo Microsoft Neural Network.

Visualizzazione di un modello di rete neurale

Per utilizzare i dati e osservare il modo in cui il modello mette in correlazione gli input con gli output, utilizzare il Visualizzatore Microsoft Neural Network. Tramite questo visualizzatore personalizzato, è possibile impostare un filtro sugli attributi di input e i relativi valori e visualizzarne graficamente l'impatto sugli output. Le descrizioni comandi nel visualizzatore mostrano la probabilità e l'accuratezza associate a ogni coppia di valori di input e output. Per ulteriori informazioni, vedere Visualizzare un modello utilizzando il Visualizzatore Microsoft Neural Network.

Il modo più semplice per esplorare la struttura del modello consiste nell'utilizzare il Microsoft Generic Content Tree Viewer. È possibile visualizzare gli input, gli output e le reti creati dal modello e fare clic su qualsiasi nodo per espanderlo e visualizzare le statistiche correlate ai nodi di input, output o dei livelli nascosti. Per ulteriori informazioni, vedere Visualizzare un modello utilizzando Microsoft Generic Content Tree Viewer.

Creazione di stime

Dopo avere elaborato il modello, è possibile utilizzare la rete e i pesi archiviati in ciascun nodo per fare delle stime. Un modello di rete neurale supporta l'analisi di regressione, classificazione e associazione. Pertanto, il significato di ogni stima potrebbe essere diverso. È anche possibile eseguire una query sul modello stesso, allo scopo di esaminare le correlazioni trovate e recuperare le statistiche correlate. Per alcuni esempi di come creare query rispetto a un modello di rete neurale, vedere Esempi di query sul modello di rete neurale.

Per informazioni generali sulla creazione di una query su un modello di data mining, vedere Query di data mining.

Osservazioni

Non supporta il drill-through di dimensioni di data mining. Questo perché la struttura dei nodi nel modello di data mining non corrisponde necessariamente in modo diretto ai dati sottostanti.
Non supporta la creazione di modelli nel formato PMML (Predictive Model Markup Language).
Supporta l'utilizzo di modelli di data mining OLAP.
Non supporta la creazione di dimensioni di data mining.