Algoritmo de rede neural da Microsoft

No SQL Server Analysis Services, o algoritmo Rede Neural da Microsoft combina cada estado possível do atributo de entrada com cada estado possível do atributo previsível e usa os dados de treinamento para calcular probabilidades. Posteriormente, você pode usar essas probabilidades para classificação ou regressão e prever um resultado do atributo previsto, com base nos atributos de entrada.

Um modelo de mineração construído com o algoritmo de Rede Neural da Microsoft pode conter várias redes, dependendo do número de colunas usadas para entrada e previsão, ou que são usadas apenas para previsão. O número de redes que um único modelo de mineração contém depende do número de estados contidos pelas colunas de entrada e colunas previsíveis que o modelo de mineração usa.

Exemplo

O algoritmo de Rede Neural da Microsoft é útil para analisar dados de entrada complexos, como de um processo comercial ou de fabricação, ou problemas de negócios para os quais uma quantidade significativa de dados de treinamento está disponível, mas para os quais as regras não podem ser facilmente derivadas usando outros algoritmos.

Os cenários sugeridos para usar o algoritmo de Rede Neural da Microsoft incluem o seguinte:

• Análise de marketing e promoção, como medir o sucesso de uma promoção direta de email ou uma campanha publicitária de rádio.

• Prevendo movimentação de ações, flutuação cambial ou outras informações financeiras altamente fluidas de dados históricos.

• Analisando processos industriais e de manufatura.

• Mineração de texto.

• Qualquer modelo de previsão que analise relações complexas entre muitas entradas e relativamente menos saídas.

Como o algoritmo funciona

O algoritmo Rede Neural da Microsoft cria uma rede composta por até três camadas de neurônios. Essas camadas são uma camada de entrada, uma camada oculta opcional e uma camada de saída.

Camada de entrada: Os neurônios de entrada definem todos os valores de atributo de entrada para o modelo de mineração de dados e suas probabilidades.

Camada oculta: Neurônios ocultos recebem entradas de neurônios de entrada e fornecem saídas para os neurônios de saída. A camada oculta é onde as várias probabilidades das entradas são atribuídas pesos. Um peso descreve a relevância ou a importância de uma entrada específica para o neurônio oculto. Quanto maior o peso atribuído a uma entrada, mais importante será o valor dessa entrada. Os pesos podem ser negativos, o que significa que a entrada pode inibir, em vez de favorecer, um resultado específico.

Camada de saída: Os neurônios de saída representam valores de atributo previsíveis para o modelo de mineração de dados.

Para obter uma explicação detalhada de como as camadas de entrada, ocultas e de saída são construídas e pontuadas, consulte a Referência Técnica do Algoritmo de Rede Neural da Microsoft.

Dados necessários para modelos de rede neural

Um modelo de rede neural deve conter uma coluna de chave, uma ou mais colunas de entrada e uma ou mais colunas previsíveis.

Os modelos de mineração de dados que usam o algoritmo de Rede Neural da Microsoft são fortemente influenciados pelos valores que você especifica para os parâmetros que estão disponíveis para o algoritmo. Os parâmetros definem como os dados são amostrados, como os dados são distribuídos ou devem ser distribuídos em cada coluna e quando a seleção de recursos é invocada para limitar os valores usados no modelo final.

Para obter mais informações sobre como definir parâmetros para personalizar o comportamento do modelo, consulte a Referência Técnica do Algoritmo de Rede Neural da Microsoft.

Exibindo um modelo de rede neural

Para trabalhar com os dados e ver como o modelo correlaciona entradas com saídas, você pode usar o Visualizador de Rede Neural da Microsoft. Com esse visualizador personalizado, você pode filtrar os atributos de entrada e seus valores e ver gráficos que mostram como eles afetam as saídas. As dicas de ferramenta no visualizador mostram a probabilidade e o ganho associados a cada par de valores de entrada e saída. Para obter mais informações, consulte Procurar um modelo usando o Visualizador de Rede Neural da Microsoft.

A maneira mais fácil de explorar a estrutura do modelo é usar o Visualizador de Árvore de Conteúdo Genérico da Microsoft. Você pode exibir as entradas, saídas e redes criadas pelo modelo e clicar em qualquer nó para expandi-lo e ver estatísticas relacionadas à entrada, saída ou nós de camada ocultos. Para obter mais informações, consulte Procurar um modelo usando o Visualizador de Árvore de Conteúdo Genérico da Microsoft.

Criando previsões

Depois que o modelo for processado, você poderá usar a rede e os pesos armazenados em cada nó para fazer previsões. Um modelo de rede neural dá suporte à regressão, associação e análise de classificação, portanto, o significado de cada previsão pode ser diferente. Você também pode consultar o próprio modelo para revisar as correlações encontradas e recuperar estatísticas relacionadas. Para obter exemplos de como criar consultas em um modelo de rede neural, consulte exemplos de consulta de modelo de rede neural.

Para obter informações gerais sobre como criar uma consulta em um modelo de mineração de dados, consulte Consultas de mineração de dados.

Observações

• Não dá suporte a dimensões de detalhamento ou mineração de dados. Isso ocorre porque a estrutura dos nós no modelo de mineração não corresponde necessariamente diretamente aos dados subjacentes.

• Não dá suporte à criação de modelos no formato PMML (Predictive Model Markup Language).

• Dá suporte ao uso de modelos de mineração OLAP.

• Não dá suporte à criação de dimensões de mineração de dados.

Consulte Também

Referência técnica do algoritmo de rede neural da Microsoft
Conteúdo do modelo de mineração para modelos de rede neural (Analysis Services – Mineração de dados)
Exemplos de consulta de modelo de rede neural
Algoritmo de regressão logística da Microsoft