Personalizar os modelos de mineração e a estrutura

Aplica-se a: SQL Server 2019 e anteriores do Analysis Services Azure Analysis Services Fabric/Power BI Premium

Importante

A mineração de dados foi preterida no SQL Server 2017 Analysis Services e agora foi descontinuada no SQL Server 2022 Analysis Services. A documentação não foi atualizada para recursos preteridos e descontinuados. Para saber mais, confira Compatibilidade com versões anteriores do Analysis Services.

Depois de selecionar um algoritmo que atende as necessidades do seu negócio, é possível personalizar o modelo de mineração das formas a seguir para melhorar potencialmente os resultados.

• Use colunas diferentes de dados no modelo ou altere o uso, tipos de conteúdo ou método de diferenciação para as colunas.

• Crie filtros no modelo de mineração para restringir os dados usados para treinar o modelo.

• Altere o algoritmo que foi usado para analisar dados.

• Defina parâmetros de algoritmo para controlar limites, divisões de árvore e outras condições importantes.

Este tópico descreve estas opções.

Alterando os dados usados pelo modelo

As decisões relacionadas a quais colunas de dados serão usadas no modelo e como usar e processar os dados afetam consideravelmente os resultados da análise. Os tópicos a seguir fornecem informações para ajudá-lo a entender essas escolhas.

Usando a seleção de recursos

A maioria dos algoritmos de mineração de dados em SQL Server Analysis Services usa um processo chamado seleção de recursos para selecionar apenas os atributos mais úteis para adição a um modelo. A redução do número de colunas e atributos pode melhorar o desempenho e a qualidade do modelo. Os métodos de seleção de recursos disponíveis diferem de acordo com o algoritmo escolhido.

Seleção de Recursos (Mineração de Dados).

Alterando uso

Você pode alterar quais colunas são incluídas em um modelo de mineração e como cada coluna é usada. Se você não obtiver os resultados esperados, exemplifique as colunas que você usou como entrada e pergunte-se se elas são uma boa escolha boa, e se há algo que você possa fazer para melhorar a manipulação de dados, incluindo:

• Identificar variáveis categóricas que foram rotuladas erroneamente como números.

• Adicionar categorias para recolher o número de atributos e facilitar a localização de correlações.

• Alterar o modo como os números são compartimentados ou discretizados.

• Remover colunas que têm muitos valores exclusivos ou colunas que são realmente dados de referência e não são úteis para análise, como endereços ou nomes do meio.

Você não precisa remover fisicamente colunas da estrutura de mineração; você pode apenas sinalizar a coluna como Ignorar. A coluna será removida do modelo de mineração, mas essa coluna ainda poderá ser usada por outros modelos de mineração na estrutura ou referenciada em uma consulta de detalhamento.

Criando alias em colunas do modelo

Quando SQL Server Analysis Services cria o modelo de mineração, ele usa os mesmos nomes de coluna que estão na estrutura de mineração. Você pode adicionar um alias a qualquer coluna do modelo de mineração. Isso pode tornar mais fácil entender o conteúdo da coluna ou o uso ou fazer com que o nome fique mais curto para conveniência na criação de consultas. Os aliases também são úteis quando você quer criar uma cópia de uma coluna e nomeá-la com algo descritivo.

Você cria um alias editando a propriedade Name da coluna do modelo de mineração. SQL Server Analysis Services continua a usar o nome original como a ID da coluna e o novo valor que você digita para Nome se torna o alias de coluna e aparece na grade entre parênteses ao lado do uso da coluna.

O gráfico mostra modelos relacionados que têm várias cópias de uma coluna de estrutura de mineração, todas relacionadas a Receita. Cada cópia da coluna de estrutura foi discretizada de um modo diferente. Os modelos no diagrama usam cada um uma coluna diferente da estrutura de mineração; no entanto, para a conveniência na comparação de colunas pelos modelos, a coluna em cada modelo foi renomeada para [Receita].

Adicionando filtros

Você pode adicionar um filtro a um modelo de mineração. Um filtro é um conjunto de condições WHERE que restringe os dados nos casos de modelo a algum subconjunto. O filtro é usado ao treinar o modelo e pode opcionalmente ser usado quando você testa o modelo ou cria gráficos de precisão.

Ao adicionar filtros, você pode reutilizar as estruturas de mineração, mas criar modelos com base em subconjuntos muito diferentes dos dados. Ou você pode simplesmente usar filtros para eliminar determinadas linhas e melhorar a qualidade da análise.

Para obter mais informações, consulte Filtros para modelos de mineração (Analysis Services – Mineração de dados).

Alterando o algoritmo

Embora novos modelos que você adiciona a uma estrutura de mineração compartilhem o mesmo conjunto de dados, você pode obter resultados diferentes usando um algoritmo diferente (se os dados derem suporte a isto), ou alterando os parâmetros para o algoritmo. Você também pode definir sinalizadores de modelagem.

A escolha do algoritmo determina que tipo de resultados você terá. Para obter informações gerais sobre como um algoritmo específico funciona ou os cenários de negócios em que você se beneficiaria do uso de um algoritmo específico, consulte Algoritmos de mineração de dados (Analysis Services – Data Mining).

Consulte o tópico de referência técnica para cada algoritmo para obter uma descrição de requisitos e restrições, assim como informações detalhadas sobre as personalizações ao qual cada algoritmo dá suporte.

Algoritmo Árvores de Decisão da Microsoft

Algoritmo Microsoft Clustering

Referência técnica do algoritmo Naive Bayes da Microsoft

Algoritmo Associação da Microsoft

Microsoft Sequence Clustering Algorithm

Algoritmo MTS

Algoritmo Rede Neural da Microsoft

Algoritmo Regressão Logística da Microsoft

Algoritmo Regressão Linear da Microsoft

Personalizando parâmetros de algoritmo

Cada algoritmo aceita parâmetros que podem ser usados para personalizar o comportamento do algoritmo e ajustar os resultados do modelo. Para obter uma descrição de como usar cada parâmetro, consulte os tópicos a seguir:

O tópico para cada tipo algoritmo também lista as funções de previsão que podem ser usadas com modelos com base em algoritmo.

Nome da propriedade	Aplica-se a
AUTO_DETECT_PERIODICITY	Referência técnica do algoritmo MTS
CLUSTER_COUNT	Referência técnica do algoritmo Microsoft Clustering Referência técnica do algoritmo MSC
CLUSTER_SEED	Referência técnica do algoritmo Microsoft Clustering
CLUSTERING_METHOD	Referência técnica do algoritmo Microsoft Clustering
COMPLEXITY_PENALTY	Referência técnica do algoritmo Árvores de Decisão da Microsoft Referência técnica do algoritmo MTS
FORCE_REGRESSOR	Referência técnica do algoritmo Árvores de Decisão da Microsoft Referência Técnica do Algoritmo de Regressão Linear da Microsoft Sinalizadores de modelagem (Mineração de Dados)
FORECAST_METHOD	Referência técnica do algoritmo MTS
HIDDEN_NODE_RATIO	Microsoft Neural Network Algorithm Technical Reference
HISTORIC_MODEL_COUNT	Referência técnica do algoritmo MTS
HISTORICAL_MODEL_GAP	Referência técnica do algoritmo MTS
HOLDOUT_PERCENTAGE	Referência técnica do algoritmo Regressão Logística da Microsoft Microsoft Neural Network Algorithm Technical Reference Observação: este parâmetro é diferente do valor da porcentagem de controle que se aplica a uma estrutura de mineração.
HOLDOUT_SEED	Referência técnica do algoritmo Regressão Logística da Microsoft Microsoft Neural Network Algorithm Technical Reference Observação: este parâmetro é diferente do valor da semente de controle que se aplica a uma estrutura de mineração.
INSTABILITY_SENSITIVITY	Referência técnica do algoritmo MTS
MAXIMUM_INPUT_ATTRIBUTES	Referência técnica do algoritmo Microsoft Clustering Referência técnica do algoritmo Árvores de Decisão da Microsoft Referência Técnica do Algoritmo de Regressão Linear da Microsoft Referência técnica do algoritmo Microsoft Naive Bayes Microsoft Neural Network Algorithm Technical Reference Referência técnica do algoritmo Regressão Logística da Microsoft
MAXIMUM_ITEMSET_COUNT	Referência técnica do algoritmo de associação da Microsoft
MAXIMUM_ITEMSET_SIZE	Referência técnica do algoritmo de associação da Microsoft
MAXIMUM_OUTPUT_ATTRIBUTES	Referência técnica do algoritmo Árvores de Decisão da Microsoft Referência Técnica do Algoritmo de Regressão Linear da Microsoft Referência técnica do algoritmo Regressão Logística da Microsoft Referência técnica do algoritmo Microsoft Naive Bayes Microsoft Neural Network Algorithm Technical Reference
MAXIMUM_SEQUENCE_STATES	Referência técnica do algoritmo MSC
MAXIMUM_SERIES_VALUE	Referência técnica do algoritmo MTS
MAXIMUM_STATES	Referência técnica do algoritmo Microsoft Clustering Microsoft Neural Network Algorithm Technical Reference Referência técnica do algoritmo MSC
MAXIMUM_SUPPORT	Referência técnica do algoritmo de associação da Microsoft
MINIMUM_IMPORTANCE	Referência técnica do algoritmo de associação da Microsoft
MINIMUM_ITEMSET_SIZE	Referência técnica do algoritmo de associação da Microsoft
MINIMUM_DEPENDENCY_PROBABILITY	Referência técnica do algoritmo Microsoft Naive Bayes
MINIMUM_PROBABILITY	Referência técnica do algoritmo de associação da Microsoft
MINIMUM_SERIES_VALUE	Referência técnica do algoritmo MTS
MINIMUM_SUPPORT	Referência técnica do algoritmo de associação da Microsoft Referência técnica do algoritmo Microsoft Clustering Referência técnica do algoritmo Árvores de Decisão da Microsoft Referência técnica do algoritmo MSC Referência técnica do algoritmo MTS
MISSING_VALUE_SUBSTITUTION	Referência técnica do algoritmo MTS
MODELLING_CARDINALITY	Referência técnica do algoritmo Microsoft Clustering
PERIODICITY_HINT	Referência técnica do algoritmo MTS
PREDICTION_SMOOTHING	Referência técnica do algoritmo MTS
SAMPLE_SIZE	Referência técnica do algoritmo Microsoft Clustering Referência técnica do algoritmo Regressão Logística da Microsoft Microsoft Neural Network Algorithm Technical Reference
SCORE_METHOD	Referência técnica do algoritmo Árvores de Decisão da Microsoft
SPLIT_METHOD	Referência técnica do algoritmo Árvores de Decisão da Microsoft
STOPPING_TOLERANCE	Referência técnica do algoritmo Microsoft Clustering

Consulte Também

Algoritmos de mineração de dados (Analysis Services – Mineração de Dados)
Arquitetura física (Analysis Services – Mineração de Dados)