Explorando o modelo de árvore de decisão (Tutorial básico de mineração de dados)

O algoritmo Árvores de Decisão da Microsoft prevê quais colunas influenciam a decisão de comprar uma bicicleta com base nas colunas restantes no conjunto de treinamento.

Guia Árvore de Decisão

Na guia Árvore de Decisão , você pode exibir árvores de decisão para cada atributo previsível no conjunto de dados.

Nesse caso, o modelo prevê apenas uma coluna, Bike Buyer, portanto, há apenas uma árvore a ser visualizada. Se houvesse mais árvores, você poderia usar a caixa Árvore para escolher outra árvore.

Ao exibir o TM_Decision_Tree modelo no visualizador da Árvore de Decisão, você pode ver os atributos mais importantes no lado esquerdo do gráfico. "O mais importante" significa que esses atributos têm a maior influência sobre o resultado. Atributos mais abaixo da árvore (à direita do gráfico) têm menos efeito.

Neste exemplo, a idade é o fator mais importante na previsão da compra de bicicletas. O modelo agrupa os clientes por idade e mostra o próximo atributo mais importante para cada faixa etária. Por exemplo, no grupo de clientes de 34 a 40 anos, o número de carros que possuem é o preditor mais forte depois da idade.

Para explorar o modelo na guia Árvore de Decisão

1. Selecione a aba Visualizador de Modelos de Mineração no Designer de Mineração de Dados.

   Por padrão, o designer abre no primeiro modelo que foi adicionado à estrutura, nesse caso, TM_Decision_Tree.

2. Use os botões de lupa para ajustar o tamanho da exibição da árvore.

   Por padrão, o Microsoft Tree Viewer mostra apenas os três primeiros níveis da árvore. Se a árvore contiver menos de três níveis, o visualizador mostrará apenas os níveis existentes. Você pode exibir mais níveis usando o controle deslizante Mostrar Nível ou a lista expansão padrão .

3. Deslize Mostrar Nível até a quarta barra.

4. Altere o valor da tela de fundo para 1.

   Ao alterar a configuração Plano de Fundo, você pode ver rapidamente o número de casos em cada nó que têm o valor de destino de 1 para [Bike Buyer]. Lembre-se de que, neste cenário específico, cada caso representa um cliente. O valor 1 indica que o cliente comprou uma bicicleta anteriormente; o valor 0 indica que o cliente não comprou uma bicicleta. Quanto mais escuro o sombreamento do nó, maior o percentual de casos no nó que têm o valor-alvo.

5. Coloque o cursor sobre o ponto rotulado All. Uma dica de ferramenta exibirá as seguintes informações:

   • Número total de casos

   • Número de casos de não-compradores de bicicleta

   • Número de casos de compradores de bicicletas

   • Número de casos com valores ausentes para [Comprador de Bicicleta]

   Alternativamente, posicione o cursor sobre qualquer nó na árvore para visualizar a condição necessária para alcançar esse nó a partir do nó anterior. Você também pode exibir essas mesmas informações na Legenda de Mineração.

6. Clique no nó para Idade >=34 e < 41. O histograma é exibido como uma barra horizontal fina no nó e representa a distribuição de clientes nessa faixa etária que compraram anteriormente (rosa) e não compraram (azul) uma bicicleta. O Visualizador nos mostra que clientes entre 34 e 40 anos com um ou nenhum carro provavelmente comprarão uma bicicleta. Dando um passo adiante, descobrimos que a probabilidade de comprar uma bicicleta aumenta se o cliente tiver de 38 a 40 anos.

Como você habilitou o drillthrough ao criar a estrutura e o modelo, pode recuperar informações detalhadas dos casos do modelo e da estrutura de mineração, incluindo aquelas colunas que não foram incluídas no modelo de mineração (por exemplo, emailAddress, FirstName).

Para obter mais informações, consulte Consultas de detalhamento (mineração de dados).

Para detalhar os dados de caso

1. Clique com o botão direito do mouse em um nó e selecione Drill Through e, em seguida, Somente Colunas de Modelo.

   Os detalhes de cada caso de treinamento são exibidos no formato de planilha. Esses detalhes vêm da visão vTargetMail que você selecionou como a tabela de casos ao criar a estrutura de mineração.

2. Clique com o botão direito do mouse em um nó e selecione Explorar e Modelar e Estruturar Colunas.

   A mesma planilha é exibida com as colunas de estrutura acrescentadas ao final.

Aba Rede de Dependência

A guia Rede de Dependência exibe as relações entre os atributos que contribuem para a capacidade preditiva do modelo de mineração. O visualizador da Rede de Dependências reforça nossas descobertas de que Idade e Região são fatores importantes na previsão da compra de bicicletas.

Para explorar o modelo na guia Rede de Dependência

1. Clique no nó Bike Buyer para identificar suas dependências.

   O nó central da rede Bike Buyerde dependência representa o atributo previsível no modelo de mineração. O grafo realça os nós conectados que têm um efeito sobre o atributo previsível.

2. Ajuste o controle deslizante Todos os Links para identificar o atributo mais influente.

   À medida que você arrasta o controle deslizante, os atributos que têm apenas um efeito fraco na coluna [Bike Buyer] são removidos do grafo. Ao ajustar o controle deslizante, você pode descobrir que Idade e Região são os maiores fatores para prever se alguém é um comprador de bicicletas.

Tarefas Relacionadas

Consulte estes tópicos para explorar os dados usando os outros tipos de modelos.

• Explorando o modelo de clustering (Tutorial básico de mineração de dados)

• Explorando o modelo Naive Bayes (Tutorial básico de mineração de dados)

Próxima tarefa da lição

Explorando o modelo de clustering (Tutorial básico de mineração de dados)

Consulte Também

Tarefas e instruções do Visualizador de Modelos de Mineração
Guia Árvore de Decisão (Visualizador do Modelo de Mineração)
Guia Rede de Dependência (Visualizador de Modelo de Mineração)
Procurar um modelo usando o Visualizador de Árvores da Microsoft