Алгоритм Microsoft Naive Bayes

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

Это важно

Интеллектуальный анализ данных был признан устаревшим в службах SQL Server 2017 Analysis Services и теперь прекращён в службах SQL Server 2022 Analysis Services. Документация не обновляется для устаревших и прекращённых функций. Дополнительные сведения см. в статье о обратной совместимости служб Analysis Services.

Алгоритм Microsoft Naive Bayes — это алгоритм классификации, основанный на теоремах Байеса. Алгоритм можно использовать как для изучения, так и для прогнозного моделирования. Слово «наивный» в названии «наивный Байес» происходит из того факта, что алгоритм использует байесовские методы, но не учитывает возможные зависимости.

Этот алгоритм является менее вычислительным, чем другие алгоритмы Microsoft, и полезен для быстрого создания моделей интеллектуального анализа данных для обнаружения связей между входными столбцами и прогнозируемыми столбцами. Этот алгоритм можно использовать для первоначального изучения данных. Позже вы сможете использовать эти результаты для создания моделей интеллектуального анализа с другими алгоритмами, которые требуют больше вычислительных ресурсов и обеспечивают более высокую точность.

Example

В качестве постоянной рекламной стратегии отдел маркетинга компании Adventure Works Cycle решает нацелиться на потенциальных клиентов, отправляя флайеры. Чтобы снизить затраты, они хотят отправлять флайеры только тем клиентам, которые, скорее всего, отвечают.

Компания хранит сведения о демографических данных и ответе на предыдущую рассылку в базе данных. Они хотят использовать эти данные, чтобы узнать, как демографические данные, такие как возраст и расположение, могут помочь прогнозировать ответ на повышение, сравнивая потенциальных клиентов с клиентами, которые имеют аналогичные характеристики и которые приобрели у компании в прошлом. В частности, компания хочет увидеть различия между клиентами, которые купили велосипед и тех, кто не.

Используя алгоритм Microsoft Naive Bayes, отдел маркетинга может быстро прогнозировать результаты для определенного профиля клиента и, следовательно, определить, какие клиенты, скорее всего, отвечают на флайеры. С помощью средства просмотра Microsoft Naive Bayes в SQL Server Data Tools они также могут наглядно анализировать, какие входные столбцы влияют на положительный отклик на рекламные листовки.

Принцип работы алгоритма

Алгоритм Microsoft Naive Bayes вычисляет вероятность каждого состояния каждого входного столбца, учитывая каждое возможное состояние прогнозируемого столбца.

Чтобы понять, как работает это вычисление, можно использовать средство просмотра "Microsoft Naive Bayes Viewer" в SQL Server Data Tools, чтобы наглядно увидеть, как алгоритм распределяет состояния, как показано на следующем рисунке.

В Microsoft Naive Bayes Viewer перечисляется каждый входной столбец в наборе данных и показано, как распределяются состояния каждого столбца, учитывая каждое состояние прогнозируемого столбца. Используйте это представление модели, чтобы определить входные столбцы, важные для разных состояний прогнозируемого столбца.

Например, в строке Commute Distance распределение входных данных заметно различается у покупателей и тех, кто не совершил покупку. Это различие указывает на то, что признак Расстояние до работы = 0–1 миль является потенциальным предиктором.

Средство просмотра также показывает значения для распределений, поэтому вы можете увидеть, что для клиентов, которые ездят на работу за одну-две мили, вероятность покупки велосипеда составляет 0,387, а вероятность того, что они не купят велосипед, составляет 0,287. В этом примере алгоритм использует числовую информацию, полученную на основе характеристик клиентов, таких как расстояние до работы, чтобы предсказать, купит ли клиент велосипед.

Дополнительные сведения об использовании средства просмотра Microsoft Naive Bayes см. в статье Просмотр модели с помощью средства просмотра Microsoft Naive Bayes.

Данные, необходимые для наивных моделей Bayes

При подготовке данных для обучения модели Наивного Байеса необходимо понимать требования алгоритма, в том числе какой объем данных ему требуется и как он использует эти данные.

Требования к наивной модели Bayes приведены следующим образом:

• Один ключевой столбец. Каждая модель должна содержать один числовый или текстовый столбец, который однозначно идентифицирует каждую запись. Составные ключи не допускаются.

• Входные столбцы. В модели наивного Байеса все столбцы должны быть либо дискретными, либо их значения должны быть разбиты по интервалам. Сведения о том, как выполнять привязку или дискретизацию столбцов, см. в разделе "Методы дискретизации " (интеллектуальный анализ данных)".

• Независимые переменные. Для наивной модели Bayes входные атрибуты должны быть независимыми друг от друга. Это требование особенно важно при использовании модели для прогнозирования. Если вы используете два столбца данных, которые уже тесно связаны, эффект заключается в умножении влияния этих столбцов, которые могут скрыть другие факторы, влияющие на результат.

  И наоборот, способность алгоритма определять корреляции между переменными полезна при изучении модели или набора данных для выявления связей между входными данными.

• По крайней мере один прогнозируемый столбец. Прогнозируемый атрибут должен содержать дискретные или дискретизированные значения.

  Значения прогнозируемого столбца можно рассматривать как входные данные. Эта практика может быть полезной при изучении нового набора данных для поиска связей между столбцами.

Просмотр модели

Чтобы исследовать модель, используйте Microsoft Naive Bayes Viewer. Средство просмотра показывает, как входные атрибуты связаны с прогнозируемым атрибутом. Средство просмотра также предоставляет подробный профиль каждого кластера, список атрибутов, которые отличают каждый кластер от других, а также характеристики всего набора обучающих данных. Дополнительные сведения см. в статье "Обзор модели" с помощью средства просмотра Microsoft Naive Bayes.

Подробнее см. модель в Microsoft Generic Content Tree Viewer (Интеллектуальный анализ данных). Дополнительные сведения о типе данных, хранящихся в модели, см. в разделе Mining Model Content for Naive Bayes Models (Analysis Services - Data Mining).

Создание прогнозов

После обучения модели он сохраняет результаты в виде набора шаблонов, которые можно исследовать или использовать для прогнозирования. Вы можете создавать запросы для возврата прогнозов о том, как новые данные связаны с прогнозируемым атрибутом, или получить статистику, описывающую корреляции найденной модели.

Сведения о создании запросов к модели интеллектуального анализа данных см. в разделе "Запросы интеллектуального анализа данных". Примеры использования запросов с наивной моделью Bayes см. в примерах наивных примеров запросов модели Bayes.

Замечания

• Поддерживает использование языка разметки прогнозных моделей (PMML) для создания моделей интеллектуального анализа данных.

• Поддерживает переход к детализации.

• Не поддерживает создание измерений интеллектуального анализа данных.

• Поддерживает использование моделей интеллектуального анализа данных OLAP.

См. также

Алгоритмы интеллектуального анализа данных (Analysis Services — интеллектуальный анализ данных)
Выбор компонентов (интеллектуальный анализ данных)
Примеры наивных примеров запросов модели Bayes
Содержимое модели интеллектуального анализа для моделей наивного байесовского классификатора (Analysis Services — интеллектуальный анализ данных)
Технический справочник по наивному алгоритму Байеса