Miningmodellinhalt von Naive Bayes-Modellen (Analysis Services - Data Mining)

Gilt für: SQL Server 2019 und früher Analysis Services Azure Analysis Services Fabric/Power BI Premium

In diesem Thema werden Miningmodellinhalte beschrieben, die spezifisch für Modelle sind, die den Microsoft Naive Bayes-Algorithmus verwenden. Eine Erklärung zum Interpretieren von Statistiken und Strukturen, die von allen Modelltypen freigegeben werden, sowie allgemeine Definitionen von Begriffen im Zusammenhang mit Miningmodellinhalten finden Sie unter Miningmodellinhalt (Analysis Services – Data Mining).

Grundlegendes zur Struktur von Naive Bayes-Modellen

Ein Naive Bayes-Modell verfügt über einen einzigen übergeordneten Knoten, der das Modell und seine Metadaten darstellt. Unterhalb eines jeden übergeordneten Knotens befinden sich die unabhängigen Strukturen, die die von Ihnen ausgewählten vorhersagbaren Attribute darstellen. Zusätzlich zu den Strukturen für die Attribute enthält jedes Modell einen Knoten für Randstatistik (NODE_TYPE = 26), der beschreibende Statistiken über die Sätze der Trainingsfälle bietet. Weitere Informationen finden Sie unter Informationen im Knoten für Randstatistik.

Für jedes vorhersagbare Attribut und jeden Wert gibt das Modell eine Struktur aus, die beschreibende Informationen darüber enthält, welche Auswirkungen die verschiedenen Eingabespalten auf das Ergebnis des entsprechenden vorhersagbaren Attributs haben. Jede Struktur enthält das vorhersagbare Attribut und seinen Wert (NODE_TYPE = 9) und weiterhin eine Reihe von Knoten, die die Eingabeattribute (NODE_TYPE = 10) darstellen. Da die Eingabeattribute in der Regel über mehrere Werte verfügen, kann jedes Eingabeattribut (NODE_TYPE = 10) mehrere untergeordnete Knoten (NODE_TYPE = 11) besitzen; jeweils einen für einen bestimmten Status des Attributs.

Modellinhalt eines Naive Bayes-Modells

In diesem Abschnitt werden nur diejenigen Spalten des Miningmodellinhalts detaillierter und anhand von Beispielen erläutert, die für Naive Bayes-Modelle relevant sind.

Informationen zu allgemeinen Spalten im Schemarowset, z. B. MODEL_CATALOG und MODEL_NAME, die hier nicht beschrieben werden, oder Erklärungen zur Terminologie des Miningmodells finden Sie unter Miningmodellinhalt (Analysis Services – Data Mining).

MODEL_CATALOG
Name der Datenbank, in der das Modell gespeichert wird.

MODEL_NAME
Name des Modells.

ATTRIBUTE_NAME
Die Namen der Attribute, die diesem Knoten entsprechen.

Modellstamm Der Name des vorhersagbaren Attributs.

Randstatistik Nicht verfügbar

Vorhersagbares Attribut Name des vorhersagbaren Attributs.

Eingabeattribut Name des Eingabeattributs.

Eingabeattributstatus Nur der Name des Eingabeattributs. Um den Status abzufragen, verwenden Sie MSOLAP_NODE_SHORT_CAPTION.

NODE_NAME
Der Name des Knotens.

Diese Spalte enthält den gleichen Wert wie NODE_UNIQUE_NAME.

Weitere Informationen über die Benennungskonventionen für Knoten finden Sie unter Verwenden von Knotennamen und IDs.

NODE_UNIQUE_NAME
Der eindeutige Name des Knotens. Die eindeutigen Namen werden gemäß einer Konvention zugewiesen, die Informationen über die Beziehungen zwischen den Knoten bietet. Weitere Informationen über die Benennungskonventionen für Knoten finden Sie unter Verwenden von Knotennamen und IDs.

NODE_TYPE
Ein Naive Bayes-Modell gibt die folgenden Knotentypen aus:

NODE_CAPTION
Die Bezeichnung oder Beschriftung, die dem Knoten zugeordnet ist. Diese Eigenschaft dient hauptsächlich zu Anzeigezwecken.

Modellstamm leer

Marginalstatistik leer

Vorhersagbares Attribut Name des vorhersagbaren Attributs.

Eingabeattribut Der Name des vorhersagbaren Attributs und des aktuellen Eingabeattributs. Beispiel:

Bike Buyer -> Age

Eingabeattributstatus Der Name des vorhersagbaren Attributs und des aktuellen Eingabeattributs und der Wert der Eingabe. Beispiel:

Bike Buyer -> Age = Missing

CHILDREN_CARDINALITY
Die Anzahl der untergeordneten Elemente des Knotens.

Modellstamm Anzahl der vorhersagbaren Attribute im Modell plus 1 für den Knoten für Randstatistik.

Randstatistik Hat definitionsgemäß keine untergeordneten Elemente.

Vorhersagbares Attribut Anzahl der Eingabeattribute, die sich auf das aktuelle vorhersagbare Attribut bezogen haben.

Eingabeattribut Anzahl der diskreten oder diskretisierten Werte für das aktuellen Eingabeattribut.

Eingabeattributstatus Immer 0.

PARENT_UNIQUE_NAME
Der eindeutige Name des übergeordneten Knotens. Weitere Informationen über die Zuordnung von über- und untergeordneten Knoten finden Sie unter Verwenden von Knotennamen und IDs.

NODE_DESCRIPTION
Entspricht der Knotenbeschriftung.

NODE_RULE
Eine XML-Darstellung der Knotenbeschriftung.

MARGINAL_RULE
Entspricht der Knotenregel.

NODE_PROBABILITY
Die diesem Knoten zugeordnete Wahrscheinlichkeit.

Modellstamm Immer 0.

Randstatistik Immer 0.

Vorhersagbares Attribut Immer 1.

Eingabeattribut Immer 1.

Eingabeattributstatus Eine Dezimalzahl, die die Wahrscheinlichkeit des aktuellen Werts darstellt. Die Werte für alle Eingabeattributstatus unter dem übergeordneten Eingabeattributknoten ergeben die Summe 1.

MARGINAL_PROBABILITY
Entspricht der Knotenwahrscheinlichkeit.

NODE_DISTRIBUTION
Eine Tabelle, die das Wahrscheinlichkeitshistogramm für den Knoten enthält. Weitere Informationen finden Sie unter NODE_DISTRIBUTION-Tabelle.

NODE_SUPPORT
Die Anzahl der Fälle, die diesen Knoten unterstützen.

Modellstamm Anzahl aller Fälle in den Trainingsdaten.

Randstatistik Immer 0.

Vorhersagbares Attribut Anzahl aller Fälle in den Trainingsdaten.

Eingabeattribut Anzahl aller Fälle in den Trainingsdaten.

Eingabeattributstatus Anzahl aller Fälle in den Trainingsdaten, die nur diesen bestimmten Wert enthalten.

MSOLAP_MODEL_COLUMN
Eine zu Anzeigezwecken verwendete Beschriftung. Normalerweise identisch mit ATTRIBUTE_NAME.

MSOLAP_NODE_SCORE
Stellt die Wichtigkeit des Attributs oder Werts innerhalb des Modells dar.

Modellstamm Immer 0.

Randstatistik Immer 0.

Vorhersagbares Attribut Immer 0.

Eingabeattribut Interessantheitsgrad für das aktuelle Eingabeattribut relativ zum aktuellen vorhersagbaren Attribut.

Eingabeattributstatus Immer 0.

MSOLAP_NODE_SHORT_CAPTION
Eine Textzeichenfolge, die den Namen oder den Wert einer Spalte darstellt.

Modellstamm Leer

Randstatistik Leer

Vorhersagbares Attribut Name des vorhersagbaren Attributs.

Eingabeattribut Name des Eingabeattributs.

Eingabeattributstatus Der Wert oder diskretisierte Wert des Eingabeattributs.

Verwenden von Knotennamen und IDs

Die Benennung der Knoten in einem Naive Bayes-Modell bietet zusätzliche Informationen über den Knotentyp. So werden die Beziehungen zwischen den Informationen im Modell deutlicher. In der folgenden Tabelle wird die Konvention für die IDs dargestellt, die anderen Knotentypen zugewiesen werden.

Sie können die IDs verwenden, um Eingabeattribute und -status mit einem vorhersagbaren Attribut zu verknüpfen. Beispielsweise gibt die folgende Abfrage den Namen und die Beschriftungen für die Knoten aus, die die möglichen Kombinationen aus Eingabe und vorhersagbaren Attributen für das Modell TM_NaiveBayesdarstellen.

SELECT NODE_NAME, NODE_CAPTION  
FROM TM_NaiveBayes.CONTENT  
WHERE NODE_TYPE = 10  

Erwartete Ergebnisse:

Sie können die IDs der übergeordneten Knoten verwenden, um die untergeordneten Knoten abzurufen. Die folgende Abfrage ruft die Knoten ab, die Werte für das Marital Status -Attribut und die Wahrscheinlichkeit eines jeden Knotens enthalten.

SELECT NODE_NAME, NODE_CAPTION, NODE_PROBABILITY  
FROM TM_NaiveBayes.CONTENT  
WHERE NODE_TYPE = 11  
AND [PARENT_UNIQUE_NAME] = '20000000000000009'  

Erwartete Ergebnisse:

NODE_DISTRIBUTION-Tabelle

Die verschachtelte Tabellenspalte NODE_DISTRIBUTION enthält in der Regel Statistiken über die Verteilung der Werte im Knoten. In einem Naive Bayes-Modell wird diese Tabelle nur für die folgenden Knoten aufgefüllt:

Sie können die Knoten-IDs oder Knotenbeschriftungen verwenden, um mehr Detailebenen abzurufen. Beispielsweise ruft die folgende Abfrage spezifische Spalten aus der NODE_DISTRIBUTION-Tabelle nur für die Eingabeattributknoten ab, die mit dem Wert 'Marital Status = S'in Beziehung stehen.

SELECT FLATTENED NODE_CAPTION,  
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE, [SUPPORT], [PROBABILITY], VALUETYPE  
FROM NODE_DISTRIBUTION) as t  
FROM TM_NaiveBayes.content  
WHERE NODE_TYPE = 11  
AND NODE_CAPTION = 'Bike Buyer -> Marital Status = S'  

Erwartete Ergebnisse:

Bei diesen Ergebnissen gibt der Wert der SUPPORT-Spalte Aufschluss über die Anzahl der Kunden mit dem festgelegten Familienstand, die ein Fahrrad gekauft haben. Die Spalte PROBABILITY enthält die ausschließlich für diesen Knoten berechnete Wahrscheinlichkeit eines jeden Attributwerts. Allgemeine Definitionen von Begriffen, die in der NODE_DISTRIBUTION Tabelle verwendet werden, finden Sie unter Miningmodellinhalt (Analysis Services – Data Mining).

Informationen im Knoten für Randstatistik

In einem Naive Bayes-Modell enthält die geschachtelte Tabelle für den Knoten für die Randstatistik die Verteilung der Werte für den gesamten Satz an Trainingsdaten. Beispielsweise enthält die folgende Tabelle eine Teilliste der Statistiken in der geschachtelten NODE_DISTRIBUTION-Tabelle für das Modell TM_NaiveBayes:

Die [Bike Buyer]-Spalte ist enthalten, da der Knoten für Randstatistik immer eine Beschreibung des vorhersagbaren Attributs und seiner möglichen Werte enthält. Alle weiteren Spalten, die aufgelistet sind, stellen Eingabeattribute zusammen mit den Werten dar, die im Modell verwendet wurden. Die Werte können nur "fehlend", "diskret" oder "diskretisiert" lauten.

In einem Naive Bayes-Modell kann es keine kontinuierlichen Attribute geben. Daher werden alle numerischen Daten entweder als diskret (VALUE_TYPE = 4) oder diskretisiert (VALUE_TYPE = 5) dargestellt.

Der Wert Missing (VALUE_TYPE = 1) wird jedem Eingabe- und Ausgabeattribut hinzugefügt, um potenzielle Werte darzustellen, die in den Trainingsdaten nicht vorhanden waren. Es ist zwischen der Zeichenfolge "Missing" und dem Standardwert Missing zu unterscheiden. Weitere Informationen finden Sie unter Fehlende Werte (Analysis Services – Data Mining).

Weitere Informationen

Miningmodellinhalt (Analysis Services &ndash;</ph> Data Mining)
Data Mining-Modell-Viewer
Data Mining-Abfragen
Microsoft Naive Bayes Algorithm