Compartilhar via


Exemplos de consulta de modelo de rede neural

Ao criar uma consulta para um modelo de mineração de dados, você pode criar uma consulta de conteúdo que fornece detalhes de padrões encontrados em análises ou uma consulta de previsão que usa os padrões no modelo para fazer previsões para novos dados. Por exemplo, uma consulta de conteúdo para um modelo de rede neural pode recuperar metadados de modelo, como o número de camadas ocultas. Alternativamente, uma consulta de previsão pode sugerir classificações com base em uma entrada e opcionalmente fornecer as probabilidades de cada classificação.

Esta seção explica como criar consultas para modelos com base no algoritmo Rede Neural da Microsoft.

Consultas de conteúdo

Obtendo metadados do modelo usando DMX

Recuperando metadados do modelo do conjunto de linhas de esquema

Recuperando os atributos de entrada do modelo

Recuperando pesos da camada oculta

Consultas de previsão

Criando uma previsão singleton

Localizando informações sobre um modelo de rede neural

Todos os modelos de mineração expõem o conteúdo captado pelo algoritmo de acordo com um esquema padronizado, o conjunto de linhas de esquema de modelo de mineração. Essas informações fornecem detalhes sobre o modelo e incluem os metadados básicos, as estruturas descobertas na análise e os parâmetros usados durante o processamento. Você pode criar consultas no conteúdo do modelo de mineração usando instruções DMX.

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

A consulta a seguir retorna alguns metadados básicos sobre um modelo criado com o uso do algoritmo Rede Neural da Microsoft. Em um modelo de rede neural, o nó pai do modelo contém apenas o nome do modelo, o nome do banco de dados em que o modelo está armazenado e o número de nós filho. No entanto, o nó de estatísticas marginais (NODE_TYPE = 24) fornece esses metadados básicos e algumas estatísticas derivadas sobre as colunas de entrada usadas no modelo.

A consulta de exemplo a seguir se baseia no modelo de mineração criado no Tutorial de mineração de dados intermediário, denominado Call Center Default NN. O modelo usa dados de um call center para explorar correlações possíveis entre o pessoal e o número de chamadas, pedidos e emissões. A instrução DMX recupera dados do nó de estatísticas marginais do modelo de rede neural. A consulta inclui a palavra-chave FLATTENED, porque as estatísticas de interesse do atributo de entrada são armazenadas em uma tabela aninhada, NODE_DISTRIBUTION. No entanto, se seu provedor de consulta der suporte a conjuntos de linhas hierárquicos, você não precisará usar a palavra-chave FLATTENED.

SELECT FLATTENED MODEL_CATALOG, MODEL_NAME, 
(    SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE,
     [SUPPORT], [PROBABILITY], VALUETYPE 
     FROM NODE_DISTRIBUTION
) AS t
FROM [Call Center Default NN].CONTENT
WHERE NODE_TYPE = 24
ObservaçãoObservação

É necessário colocar o nome das colunas da tabela aninhada [SUPPORT] e [PROBABILITY] entre colchetes para distingui-las das palavras-chave reservadas de mesmo nome.

Resultados do exemplo:

MODEL_CATALOG

MODEL_NAME

t.ATTRIBUTE_NAME

t.ATTRIBUTE_VALUE

t.SUPPORT

t.PROBABILITY

t.VALUETYPE

Adventure Works DW Multidimensional 2012

Call Center NN

Tempo médio por emissão

Ausente

0

0

1

Adventure Works DW Multidimensional 2012

Call Center NN

Tempo médio por emissão

< 64.7094100096

11

0.407407407

5

Para obter uma definição do que significam as colunas no conjunto de linhas do esquema no contexto de um modelo de rede neural, consulte Conteúdo do modelo de mineração para modelos de rede neural (Analysis Services – Mineração de Dados).

Retornar ao início

Exemplo de consulta 2: Recuperando metadados do modelo a partir do conjunto de linhas de esquema

Você pode encontrar as mesmas informações retornadas em uma consulta de conteúdo DMX consultando o conjunto de linhas do esquema de mineração de dados. No entanto, o conjunto de linhas de esquema fornece algumas colunas adicionais. O exemplo de consulta a seguir retorna a data em que o modelo foi criado, modificado e processado pela última vez. A consulta também retorna as colunas previsíveis, que não estão facilmente disponíveis com base no conteúdo do modelo, e os parâmetros usados para criar o modelo. Essas informações podem ser úteis para documentar o modelo.

SELECT MODEL_NAME, DATE_CREATED, LAST_PROCESSED, PREDICTION_ENTITY, MINING_PARAMETERS 
from $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'Call Center Default NN'

Resultados do exemplo:

MODEL_NAME

NM Padrão do Center

DATE_CREATED

10/1/2008 5:07:38 PM

LAST_PROCESSED

10/1/2008 5:24:02 PM

PREDICTION_ENTITY

Tempo médio por emissão,

Grau de serviço,

Número de pedidos

MINING_PARAMETERS

HOLDOUT_PERCENTAGE=30, HOLDOUT_SEED=0,

MAXIMUM_INPUT_ATTRIBUTES=255, MAXIMUM_OUTPUT_ATTRIBUTES=255,

MAXIMUM_STATES=100, SAMPLE_SIZE=10000, HIDDEN_NODE_RATIO=4

Retornar ao início

Exemplo de consulta 3: Recuperando os atributos de entrada do modelo

Você pode recuperar pares exatos de atributo-valor de entrada que foram usados para criar o modelo consultando os nós filho (NODE_TYPE = 20) da camada de entrada (NODE_TYPE = 18). A consulta a seguir retorna uma lista dos atributos de entrada, das descrições de nó.

SELECT NODE_DESCRIPTION
FROM [Call Center Default NN].CONTENT
WHERE NODE_TYPE = 2

Resultados do exemplo:

NODE_DESCRIPTION

Tempo médio por emissão=64.7094100096 - 77.4002099712

Dia da semana=Sex.

Operadores de nível 1

Somente algumas linhas representativas dos resultados são mostradas aqui. No entanto, você pode ver que NODE_DESCRIPTION fornece informações ligeiramente diferentes de acordo com o tipo de dados do atributo de entrada.

  • Se o atributo for um valor discreto ou diferenciado, tanto o atributo quanto seu valor ou o intervalo diferenciado serão retornados.

  • Se o atributo for um tipo de dados numérico contínuo, NODE_DESCRIPTION conterá só o nome de atributo. No entanto, você pode recuperar a tabela aninhada NODE_DISTRIBUTION para obter a média ou retornar NODE_RULE para obter os valores mínimo e máximo do intervalo numérico.

A consulta a seguir mostra como consultar a tabela aninhada NODE_DISTRIBUTION para retornar os atributos em uma coluna e seus valores em outra. Para atributos contínuos, o valor do atributo é representado pela sua média.

SELECT FLATTENED 
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE
FROM NODE_DISTRIBUTION) as t
FROM [Call Center Default NN -- Predict Service and Orders].CONTENT
WHERE NODE_TYPE = 21

Resultados do exemplo:

t.ATTRIBUTE_NAME

t.ATTRIBUTE_VALUE

Tempo médio por emissão

64.7094100096 - 77.4002099712

Dia da semana

Sex.

Operadores de nível 1

3.2962962962963

Os valores mínimo e máximo do intervalo são armazenados na coluna NODE_RULE e são representados como um fragmento XML, conforme mostrado no exemplo a seguir:

<NormContinuous field="Level 1 Operators">  
  <LinearNorm orig="2.83967303681711" norm="-1" />  
  <LinearNorm orig="3.75291955577548" norm="1" />  
</NormContinuous>  

Retornar ao início

Exemplo de consulta 4: Recuperando pesos da camada oculta

O conteúdo de um modelo de rede neural é estruturado de modo a facilitar a recuperação de detalhes sobre qualquer nó na rede. Além disso, os números de ID dos nós fornecem informações que ajudam a identificar relações entre os tipos de nós.

A consulta a seguir demonstra como recuperar os coeficientes armazenados em um determinado nó da camada oculta. A camada oculta consiste em um nó do organizador (NODE_TYPE = 19), que contém apenas metadados e vários nós filho (NODE_TYPE = 22), que contêm os coeficientes das várias combinações dos atributos e dos valores. Esta consulta retorna apenas os nós de coeficiente.

SELECT FLATTENED TOP 1 NODE_UNIQUE_NAME, 
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE, VALUETYPE
FROM NODE_DISTRIBUTION) as t
FROM  [Call Center Default NN -- Predict Service and Orders].CONTENT
WHERE NODE_TYPE = 22
AND [PARENT_UNIQUE_NAME] = '40000000200000000' FROM [Call Center Default NN].CONTENT

Resultados do exemplo:

NODE_UNIQUE_NAME

t.ATTRIBUTE_NAME

t.ATTRIBUTE_VALUE

t.VALUETYPE

70000000200000000

6000000000000000a

-0.178616518

7

70000000200000000

6000000000000000b

-0.267561918

7

70000000200000000

6000000000000000c

0.11069497

7

70000000200000000

6000000000000000d

0.123757712

7

70000000200000000

6000000000000000e

0.294565343

7

70000000200000000

6000000000000000f

0.22245318

7

70000000200000000

  

0.188805045

7

Os resultados parciais mostrados aqui demonstram como o conteúdo do modelo de rede neural relaciona o nó oculto aos nós de entrada.

  • Os nomes exclusivos de nós na camada oculta sempre começam com 70000000.

  • Os nomes exclusivos de nós na camada de entrada sempre começam com 60000000.

Assim, esses resultados informam que o nó indicado pela ID 70000000200000000 tinha seis coeficientes diferentes (VALUETYPE = 7) passados a ele. Os valores dos coeficientes estão na coluna ATTRIBUTE_VALUE. Você pode determinar exatamente a qual atributo de entrada o coeficiente se destina usando a ID do nó na coluna ATTRIBUTE_NAME. Por exemplo, a ID do nó 6000000000000000a se refere a um atributo e valor de entrada, Day of Week = 'Tue.' Use a ID do nó para criar uma consulta ou procure o nó utilizando o Visualizador de Árvore de Conteúdo Genérica da Microsoft.

De modo semelhante, se você consultar a tabela NODE_DISTRIBUTION dos nós na camada de saída (NODE_TYPE = 23), poderá visualizar os coeficientes de cada valor de saída. No entanto, na camada de saída, os ponteiros se referem aos nós da camada oculta. Para obter mais informações, consulte Conteúdo do modelo de mineração para modelos de rede neural (Analysis Services – Mineração de Dados).

Retornar ao início

Usando um modelo de rede neural para fazer previsões

O algoritmo Rede Neural da Microsoft dá suporte à classificação e regressão. Você pode usar funções de previsão com esses modelos para fornecer dados novos e criar previsões singleton ou em lotes.

Exemplo de consulta 5: Criando uma previsão singleton

A maneira mais fácil de criar uma consulta de previsão em um modelo de rede neural é usar o Construtor de Consultas de Previsão, disponível na guia Previsão de Mineração do Designer de Mineração de Dados no SQL Server Management Studio e no SSDT (SQL Server Data Tools). Procure o modelo no Visualizador de Rede Neural da Microsoft para filtrar atributos de interesse e exibir novas tendências e, em seguida, alterne para a guia Previsão de Mineração para criar uma consulta e prever novos valores para essas tendências.

Por exemplo, você pode procurar o modelo de call center para exibir as correlações entre os volumes de pedidos e outros atributos. Para fazer isso, abra o modelo no visualizador e, para Entrada, selecione <Tudo>. Em seguida, para Saída, selecione Número de Pedidos. Para Valor 1, selecione o intervalo que representa a maioria dos pedidos e, para Valor 2, selecione o intervalo que representa menos pedidos. Você poderá ver rapidamente todos os atributos que o modelo correlaciona com o volume de pedidos.

Ao procurar os resultados no visualizador, você descobre que certos dias da semana tem baixos volumes de pedidos e que um aumento no número de operadores parece estar correlacionado às vendas mais altas. Você poderia usar uma consulta de previsão no modelo para testar uma hipótese "e se" e perguntar se o aumento do número de operadores de nível 2 em um dia de baixo volume aumentaria os pedidos. Para fazer isso, crie uma consulta como a seguinte:

SELECT Predict([Call Center Default NN].[Number of Orders]) AS [Predicted Orders],
PredictProbability([Call Center Default NN].[Number of Orders]) AS [Probability]
FROM [Call Center Default NN]
NATURAL PREDICTION JOIN 
(SELECT 'Tue.' AS [Day of Week],
13 AS [Level 2 Operators]) AS t

Resultados do exemplo:

Pedidos previstos

Probabilidade

364

0.9532…

O volume de vendas previsto é maior do que o intervalo atual de vendas para terça-feira, e a probabilidade da previsão é muito alta. No entanto, talvez você queira criar várias previsões usando um processo em lotes para testar várias hipóteses no modelo.

ObservaçãoObservação

Os Suplementos de Mineração de Dados para Excel 2007 fornecem assistentes de regressão logística que facilitam responder perguntas complexas, como quantos Operadores de Nível Dois seriam necessários para melhorar a classificação do serviço visando um nível de destino para um turno específico. Os suplementos de mineração de dados são um download gratuito e incluem assistentes baseados nos algoritmos de rede neural e/ou regressão logística. Para obter mais informações, consulte o site Suplementos de Mineração de Dados para Office 2007.

Retornar ao início

Lista de funções de previsão

Todos os algoritmos do Microsoft dão suporte a um conjunto comum de funções. Não há nenhuma função de previsão específica para o algoritmo Rede Neural da Microsoft; entretanto, o algoritmo dá suporte às funções listadas na tabela a seguir.

Função de previsão

Uso

IsDescendant (DMX)

Determina se um nó é um filho de outro nó no gráfico de rede neural.

PredictAdjustedProbability (DMX)

Retorna a probabilidade ponderada.

PredictHistogram (DMX)

Retorna uma tabela de valores relacionados ao valor previsto atual.

PredictVariance (DMX)

Retorna a variância para o valor previsto.

PredictProbability (DMX)

Retorna a probabilidade para o valor previsto.

PredictStdev (DMX)

Retorna o desvio padrão para o valor previsto.

PredictSupport (DMX)

Para modelos de rede neural e regressão logística, retorna um único valor que representa o tamanho do conjunto de treinamento de todo o modelo.

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).

Consulte também

Referência

Referência técnica do algoritmo Rede Neural da Microsoft

Conteúdo do modelo de mineração para modelos de rede neural (Analysis Services – Mineração de Dados)

Conceitos

Algoritmo Rede Neural da Microsoft

Exemplos de consulta de modelo de rede neural

Lição 5: Criando modelos de rede neural e de regressão logística (Tutorial de mineração de dados intermediário)