Compartilhar via


Consultando um modelo Naive Bayes (Analysis Services – Mineração de Dados)

Ao criar uma consulta em um modelo de mineração de dados, é possível criar uma consulta de conteúdo, que fornece detalhes sobre os padrões descobertos em análises, ou uma consulta de previsão, que usa os padrões do modelo para fazer previsões para novos dados. Você também pode recuperar metadados sobre o modelo usando uma consulta no conjunto de linhas do esquema de mineração de dados. Esta seção explica como criar essas consultas para modelos baseados no algoritmo Naive Bayes da Microsoft.

Consultas de conteúdo

Obtendo metadados do modelo com o uso do DMX

Recuperando um resumo dos dados de treinamento

Localizando mais informações sobre atributos

Usando procedimentos armazenados do sistema

Consultas de previsão

Prevendo resultados com o uso de uma consulta singleton

Obtendo previsões com valores de probabilidade e suporte

Prevendo associações

Localizando informações sobre o modelo Naive Bayes

O conteúdo de um modelo Naive Bayes fornece informações agregadas sobre a distribuição dos valores nos dados de treinamento. Você também pode recuperar informações sobre os metadados do modelo criando consultas no conjunto de linhas do esquema de mineração de dados.

Exemplo de consulta 1: Obtendo metadados do modelo usando instruções DMX

Ao examinar o conjunto de linhas do esquema de mineração de dados, você pode localizar metadados para o modelo. Isso pode incluir quando o modelo foi criado, quando o modelo foi processado pela última vez , o nome da estrutura de mineração em que o modelo se baseia e o nome das colunas usadas como o atributo previsível. Você também pode retornar os parâmetros que foram usados quando o modelo foi criado.

SELECT MODEL_CATALOG, MODEL_NAME, DATE_CREATED, LAST_PROCESSED,
SERVICE_NAME, PREDICTION_ENTITY, FILTER
FROM $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'TM_NaiveBayes_Filtered'

Resultados do exemplo:

MODEL_CATALOG

AdventureWorks

MODEL_NAME

TM_NaiveBayes_Filtered

DATE_CREATED

3/1/2008 19:15

LAST_PROCESSED

3/2/2008 20:00

SERVICE_NAME

Microsoft_Naive_Bayes

PREDICTION_ENTITY

Comprador de Bicicleta, Renda Anual

FILTER

[Região] = 'Europa' OR [Região] = 'América do Norte'

O modelo usado para este exemplo se baseia no modelo Naive Bayes que você cria no Tutorial de mineração de dados básico, mas foi modificado com a adição de um segundo atributo previsível e a aplicação de um filtro aos dados de treinamento.

Retornar ao início

Exemplo de consulta 2: Recuperando um resumo dos dados de treinamento

Em um modelo Naive Bayes, o nó de estatísticas marginais armazena informações agregadas sobre a distribuição dos valores nos dados de treinamento. Esse resumo é prático e você não precisa criar consultas SQL nos dados de treinamento para localizar as mesmas informações.

O exemplo a seguir usa uma consulta de conteúdo DMX para recuperar os dados do nó (NODE_TYPE = 24). Como as estatísticas são armazenadas em uma tabela aninhada, a palavra-chave FLATTENED é usada para facilitar a exibição dos resultados.

SELECT FLATTENED MODEL_NAME,
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE, [SUPPORT], [PROBABILITY], VALUETYPE FROM NODE_DISTRIBUTION) AS t
FROM TM_NaiveBayes.CONTENT
WHERE NODE_TYPE = 26
ObservaçãoObservação

Você deve colocar os nomes das colunas SUPPORT e PROBABILITY entre colchetes para distingui-los das palavras-chave MDX reservadas com os mesmos nomes.

Resultados parciais:

MODEL_NAME

t.ATTRIBUTE_NAME

t.ATTRIBUTE_VALUE

t.SUPPORT

t.PROBABILITY

t.VALUETYPE

TM_NaiveBayes

Comprador de Bicicleta

Ausente

0

0

1

TM_NaiveBayes

Comprador de Bicicleta

0

8869

0.507263784

4

TM_NaiveBayes

Comprador de Bicicleta

1

8615

0.492736216

4

TM_NaiveBayes

Sexo

Ausente

0

0

1

TM_NaiveBayes

Sexo

T

8656

0.495081217

4

TM_NaiveBayes

Sexo

T

8828

0.504918783

4

Por exemplo, esses resultados informam o número de casos de treinamento para cada valor discreto (VALUETYPE = 4), junto com a probabilidade calculada, ajustada para valores ausentes (VALUETYPE = 1).

Para uma definição dos valores fornecidos na tabela NODE_DISTRIBUTION em um modelo Naive Bayes, consulte Conteúdo do modelo de mineração para modelos Naive Bayes (Analysis Services – Mineração de Dados). Para obter mais informações sobre como o suporte e os cálculos de probabilidade são afetados por valores ausentes, consulte Valores ausentes (Analysis Services - Mineração de dados).

Retornar ao início

Exemplo de consulta 3: Localizando mais informações sobre atributos

Como um modelo Naive Bayes frequentemente contém informações complexas sobre as relações entre atributos diferentes, a maneira mais fácil de exibir essas relações é usar o Visualizador Naive Bayes da Microsoft. No entanto, você pode criar consultas DMX para retornar os dados.

O exemplo a seguir mostra como retornar informações do modelo sobre um atributo específico, Region.

SELECT NODE_TYPE, NODE_CAPTION, 
NODE_PROBABILITY, NODE_SUPPORT, MSOLAP_NODE_SCORE
FROM TM_NaiveBayes.CONTENT
WHERE ATTRIBUTE_NAME = 'Region'

Esta consulta retorna dois tipos de nós: o nó que representa o atributo de entrada (NODE_TYPE = 10) e nós para cada valor do atributo (NODE_TYPE = 11). A legenda do nó é usada para identificar o nó, em vez do nome do nó, porque a legenda mostra o nome e o valor do atributo.

NODE_TYPE

NODE_CAPTION

NODE_PROBABILITY

NODE_SUPPORT

MSOLAP_NODE_SCORE

NODE_TYPE

10

Comprador de Bicicleta -> Região

1

17484

84.51555875

10

11

Comprador de Bicicleta ->Região = Ausente

0

0

0

11

11

Comprador de Bicicleta -> Região = América do Norte

0.508236102

8886

0

11

11

Comprador de Bicicleta -> Região = Pacífico

0.193891558

3390

0

11

11

Comprador de Bicicleta -> Região = Europa

0.29787234

5208

0

11

Algumas das colunas armazenadas nos nós são iguais àquelas que você pode obter com base nos nós de estatísticas marginais, como a pontuação de probabilidade do nó e os valores de suporte do nó. No entanto, MSOLAP_NODE_SCORE é um valor especial fornecido apenas para os nós de atributo de entrada e indica a importância relativa desse atributo no modelo. Você pode ver grande parte das mesmas informações no painel Rede de Dependências do visualizador; no entanto, o visualizador não fornece pontuações.

A seguinte consulta retorna as pontuações de importância de todos os atributos no modelo:

SELECT NODE_CAPTION, MSOLAP_NODE_SCORE
FROM TM_NaiveBayes.CONTENT
WHERE NODE_TYPE = 10
ORDER BY MSOLAP_NODE_SCORE DESC

Resultados do exemplo:

NODE_CAPTION

MSOLAP_NODE_SCORE

Comprador de Bicicleta -> Total de filhos

181.3654836

Comprador de Bicicleta -> Distância do trabalho

179.8419482

Comprador de Bicicleta -> Educação em inglês

156.9841928

Comprador de Bicicleta -> Número de filhos em casa

111.8122599

Comprador de Bicicleta -> Região

84.51555875

Comprador de Bicicleta -> Estado civil

23.13297354

Comprador de Bicicleta -> Ocupação em inglês

2.832069191

Ao navegar no conteúdo do modelo no Visualizador de Árvore de Conteúdo Genérica da Microsoft, você terá uma noção melhor de quais estatísticas devem ser interessantes. Alguns exemplos simples foram demonstrados aqui; com frequência você poderá precisar executar várias consultas ou armazenar os resultados e processá-los no cliente.

Retornar ao início

Exemplo de consulta 4: Usando procedimentos armazenados do sistema

Além de escrever suas próprias consultas de conteúdo, você pode usar alguns procedimentos armazenados do sistema do Analysis Services para explorar os resultados. Para usar um procedimento armazenado de sistema, use a palavra-chave CALL como prefixo do nome do procedimento:

CALL GetPredictableAttributes ('TM_NaiveBayes')

Resultados parciais:

ATTRIBUTE_NAME

NODE_UNIQUE_NAME

Comprador de Bicicleta

100000001

ObservaçãoObservação

Esses procedimentos armazenados de sistema destinam-se à comunicação interna entre o servidor do Analysis Services e o cliente e só devem ser usados para conveniência durante o desenvolvimento e o teste de modelos de mineração. Quando criar consultas para um sistema de produção, você sempre deverá escrever suas próprias consultas usando DMX.

Para obter mais informações sobre procedimentos armazenados do sistema do Analysis Services, consulte Procedimentos armazenados da mineração de dados (Analysis Services - Data Mining).

Retornar ao início

Usando um modelo Naive Bayes para fazer previsões

O algoritmo Naive Bayes da Microsoft geralmente é menos usado para previsão do que para exploração das relações entre os atributos de entrada e previsíveis. No entanto, o modelo dá suporte ao uso de funções de previsão para previsão e associação.

Exemplo de consulta 5: Resultados de previsão que usam uma consulta singleton

A consulta a seguir usa uma consulta singleton para fornecer um novo valor e prever, com base no modelo, se um cliente com essas características provavelmente comprará um modelo. A maneira mais fácil de criar uma consulta singleton em um modelo de regressão é usando a caixa de diálogo Entrada de Consulta Singleton. Por exemplo, você pode criar a consulta DMX a seguir selecionando o modelo TM_NaiveBayes, escolhendo Consulta Singleton e selecionando valores nas listas suspensas para [Commute Distance] e Gender.

SELECT
  Predict([TM_NaiveBayes].[Bike Buyer])
FROM
  [TM_NaiveBayes]
NATURAL PREDICTION JOIN
(SELECT '5-10 Miles' AS [Commute Distance],
  'F' AS [Gender]) AS t

Resultados do exemplo:

Expressão

0

A função de previsão retorna o valor mais provável, nesse caso, 0, que indica que esse tipo de cliente provavelmente comprará uma bicicleta.

Retornar ao início

Exemplo de consulta 6: Obtendo previsões com valores de probabilidade e suporte

Além de prever um resultado, frequentemente, você deseja saber quão sólida é a previsão. A consulta a seguir usa a mesma consulta singleton que o exemplo anterior, mas adiciona a função de previsão, PredictHistogram (DMX), para retornar uma tabela aninhada que contém estatísticas que dão suporte à previsão.

SELECT
  Predict([TM_NaiveBayes].[Bike Buyer]),
  PredictHistogram([TM_NaiveBayes].[Bike Buyer])
FROM
  [TM_NaiveBayes]
NATURAL PREDICTION JOIN
(SELECT '5-10 Miles' AS [Commute Distance],
  'F' AS [Gender]) AS t

Resultados do exemplo:

Comprador de Bicicleta

$SUPPORT

$PROBABILITY

$ADJUSTEDPROBABILITY

$VARIANCE

$STDEV

0

10161.5714

0.581192599

0.010530981

0

0

1

7321.428768

0.418750215

0.008945684

0

0

  

0.999828444

5.72E-05

5.72E-05

0

0

A linha final na tabela mostra os ajustes para dar suporte e probabilidade ao valor ausente. Os valores de variação e de desvio padrão sempre são 0, porque os modelos Naive Bayes não podem modelar valores contínuos.

Retornar ao início

Exemplo de consulta 7: Prevendo associações

O algoritmo Naive Bayes da Microsoft poderá ser usado para análise de associação, se a estrutura de mineração contiver uma tabela aninhada com o atributo previsível como a chave. Por exemplo, você pode criar um modelo Naive Bayes usando a estrutura de mineração criada na Lição 3: Criando um cenário de cesta de compras (Tutorial de mineração de dados intermediário) do tutorial de mineração de dados. O modelo usado neste exemplo foi modificado para adicionar informações sobre renda e região do cliente na tabela de casos.

O exemplo de consulta a seguir mostra uma consulta singleton que prevê produtos relacionados às compras do produto, 'Road Tire Tube'. Você pode usar essas informações para recomendar produtos a um tipo de cliente específico.

SELECT   PredictAssociation([Association].[v Assoc Seq Line Items])
FROM [Association_NB]
NATURAL PREDICTION JOIN
(SELECT 'High' AS [Income Group],
  'Europe' AS [Region],
  (SELECT 'Road Tire Tube' AS [Model]) 
AS [v Assoc Seq Line Items]) 
AS t

Resultados parciais:

Modelo

Women's Mountain Shorts

Water Bottle

Touring-3000

Touring-2000

Touring-1000

Retornar ao início

Lista de funções

Todos os algoritmos da Microsoft oferecem suporte a um conjunto de funções comum. No entanto, o algoritmo Naive Bayes da Microsoft dá suporte às funções adicionais relacionadas na tabela a seguir.

Para obter uma lista das funções comuns a todos os algoritmos Microsoft, consulte Referência de algoritmo (Analysis Services – Data Mining). Para obter a sintaxe de funções específicas, consulte Referência de função de DMX (Data Mining Extensions).