Матрица классификации (службы Analysis Services — интеллектуальный анализ данных)

Применимо к: SQL Server 2019 и более ранних версий Analysis Services Azure Analysis Services Fabric/Power BI Premium

Важно!

Интеллектуальный анализ данных не рекомендуется использовать в службах SQL Server 2017 Analysis Services, а в SQL Server 2022 Analysis Services его поддержка прекращена. Документация не обновляется для устаревших и неподдерживаемых функций. Дополнительные сведения см. в статье об обратной совместимости служб Analysis Services.

Матрица классификации сортирует все варианты из модели по категориям, определяя, соответствовало ли прогнозируемое значение действительному. Затем все варианты в каждой категории пересчитываются, и полученные количества выводятся в виде матрицы. Матрица классификации — это стандартный инструмент для оценки статистических моделей, иногда ее называют матрицей противоречий.

Диаграмма, созданная с выбранным параметром Матрица классификации , сравнивает действительное значение с прогнозируемым для каждого заданного прогнозируемого варианта. Строки в матрице представляют прогнозируемые значения для модели, а в столбцах представлены действительные значения. В анализе используются категории ложный положительный результат, истинный положительный результат, ложный отрицательный результати истинный отрицательный результат

Матрица классификации — это важный инструмент для оценки результатов прогнозирования, так как позволяет легко понять и объяснить последствия неверных прогнозов. Просматривая суммы и проценты в каждой ячейке этой матрицы, можно быстро понять, как часто предсказания модели были верны.

В этом разделе поясняется, как создать матрицу классификации и интерпретировать получаемые результаты.

Основные сведение о матрице классификации

Рассмотрим модель, созданную для учебника по интеллектуальному анализу данных. Модель [TM_DecisionTree] помогает создать целевую рассылку и позволит спрогнозировать, какие клиенты с наибольшей вероятностью купят велосипед. Для проверки эффективности модели используется набор данных, для которого значения атрибута результата [Bike Buyer] уже известны. Обычно используется набор проверочных данных, сохраненный со времени создания структуры интеллектуального анализа данных, которая используется для обучения модели.

Возможны два результата: "да" (существует вероятность того, что клиент купит велосипед) и "нет" (скорее всего, клиент велосипед не купит). Таким образом, результирующая матрица классификации относительно проста.

Интерпретация результатов

В следующей таблице показана матрица классификации для модели TM_DecisionTree. Помните, что для этого прогнозируемого атрибута значение 0 означает «нет», а значение 1 — «да».

Прогноз 0 (фактическое значение) 1 (фактическое значение)
0 362 144
1 121 373

Первая ячейка результата, которая содержит значение 362, указывает количество истинных положительных результатов для значения 0. Поскольку 0 означает, что клиент не приобрел велосипед, этот статистический показатель сообщает, что модель спрогнозировала правильное значение для клиентов, не купивших велосипед, в 362 случаях.

Ячейка, которая расположена непосредственно ниже и содержит значение 121, указывает число ложных положительных результатов, то есть количество раз, когда ожидалось, что клиент приобретет велосипед, но в действительности покупка не состоялась.

Ячейка, которая содержит значение 144, указывает количество ложных положительных результатов для значения 1. Поскольку 1 означает, что клиент приобрел велосипед, этот статистический показатель сообщает, что модель в 144 случаях спрогнозировала, что клиент не приобретет велосипед, а в действительности покупка состоялась.

Наконец, ячейка результата, которая содержит значение 373, указывает количество истинных положительных результатов для целевого значения 1. Другими словами, в 373 случаях модель правильно предсказала, что некто приобретет велосипед.

Сложив значения в ячейках, расположенных на одной диагонали, можно определить общую точность модели. Одна диагональ позволяет определить общее число точных прогнозов, а вторая — общее число ошибочных прогнозов.

Использование нескольких прогнозируемых значений

Вариант [Bike Buyer] особенно просто интерпретировать, поскольку для него возможны только два значения. Если прогнозируемый атрибут имеет несколько возможных значений, матрица классификации добавляет новый столбец для каждого возможного фактического значения и затем подсчитывает число совпадений для каждого прогнозируемого значения. В следующей таблице показаны результаты для другой модели, когда возможны три значения (0, 1, 2).

Прогноз 0 (фактическое значение) 1 (фактическое значение) 2 (действительное значение)
0 111 3 5
1 2 123 17
2 19 0 20

Хотя добавление столбцов делает отчет более сложным, дополнительные данные могут оказаться очень полезными, когда необходимо оценить совокупную стоимость неправильных прогнозов. Чтобы вычислить суммы по диагоналям или сравнить результаты для различных сочетаний строк, можно нажать кнопку Копировать на вкладке Матрица классификации и вставить отчет в Excel. Кроме того, можно использовать клиент, например клиент интеллектуального анализа данных для Excel, который поддерживает SQL Server 2005 (9.x) и более поздних версий, для создания отчета о классификации непосредственно в Excel, который включает как счетчики, так и проценты. Дополнительные сведения см. в разделе Интеллектуальный анализ в SQL Server.

Ограничения для матрицы классификации

Матрицу классификации можно использовать только с дискретными прогнозируемыми атрибутами.

Хотя при выборе моделей на вкладке Выбор входа конструктора Диаграмма точности интеллектуального анализа можно добавить несколько моделей, на вкладке Матрица классификации будет показана отдельная матрица для каждой модели.

В следующих разделах содержатся дополнительные сведения о том, как создать и использовать матрицу классификации и другие диаграммы.

Разделы Ссылки
Объясняет типы соответствующих диаграмм. Диаграмма точности прогнозов (службы Analysis Services — интеллектуальный анализ данных)

Диаграмма роста прибыли (службы Analysis Services — интеллектуальный анализ данных)

Точечная диаграмма (службы Analysis Services — интеллектуальный анализ данных)
Описывает использование перекрестной проверки для моделей интеллектуального анализа данных и структур интеллектуального анализа данных. Перекрестная проверка (службы Analysis Services — интеллектуальный анализ данных)
Описывает шаги для создания диаграммы точности прогнозов и других диаграмм точности. Задачи и решения по тестированию и проверке (интеллектуальный анализ данных)

См. также:

Тестирование и проверка (интеллектуальный анализ данных)