Compartir a través de


Contenido del modelo de minería de datos para los modelos de agrupación en clústeres de secuencia(Analysis Services - Minería de datos)

En este tema se describe el contenido del modelo de minería de datos específico de los modelos que utilizan el algoritmo de clústeres de secuencia de Microsoft. Para obtener una explicación de la terminología general y estadística relacionada con el contenido del modelo de minería de datos que se aplica a todos los tipos de modelos, vea Contenido del modelo de minería de datos (Analysis Services - Minería de datos).

Descripción de la estructura de un modelo de agrupación en clústeres de secuencia

Un modelo de agrupación en clústeres de secuencia tiene un nodo primario único (NODE_TYPE = 1) que representa el modelo y sus metadatos. El nodo primario, que se etiqueta (Todos), tiene un nodo de secuencia relacionado (NODE_TYPE = 13) que muestra todas las transiciones que se detectaron en los datos de entrenamiento.

Estructura de un modelo de agrupación en clústeres de flujo

El algoritmo también crea varios clústeres, según las transiciones que se encontraran en los datos y cualquier otro atributo de entrada incluido al crear el modelo, como la información demográfica de los clientes o de otro tipo. Cada clúster (NODE_TYPE = 5) contiene su propio nodo de secuencia (NODE_TYPE = 13) que muestra únicamente las transiciones que se utilizaron para generar ese clúster concreto. A partir del nodo de secuencia, puede explorar en profundidad para ver los detalles de las transiciones de estados individuales (NODE_TYPE = 14).

Para obtener una explicación de las transiciones de estado y secuencia, con ejemplos, vea Algoritmo de clústeres de secuencia de Microsoft.

Contenido de un modelo de agrupación en clústeres de secuencia

En esta sección se proporciona información adicional sobre las columnas del contenido del modelo de minería de datos que tienen una relevancia especial para la agrupación en clústeres de secuencia.

  • MODEL_CATALOG
    Nombre de la base de datos en la que se almacena el modelo.

  • MODEL_NAME
    Nombre del modelo.

  • ATTRIBUTE_NAME
    Siempre en blanco.

  • NODE_NAME
    Nombre del nodo. Actualmente, el mismo valor que NODE_UNIQUE_NAME.

  • NODE_UNIQUE_NAME
    Nombre único del nodo.

  • NODE_TYPE
    Modelo de agrupación en clústeres de secuencia que genera los tipos de nodos siguientes:

    Identificador del tipo de nodo

    Descripción

    1 (modelo)

    Nodo raíz para el modelo

    5 (clúster)

    Contiene un recuento de las transiciones del clúster, una lista de los atributos y estadísticas que describen los valores del clúster.

    13 (secuencia)

    Contiene una lista de las transiciones incluidas en el clúster.

    14 (transición)

    Describe una secuencia de eventos en forma de tabla en la que la primera fila contiene el estado inicial y todas las demás filas contienen los estados sucesivos, junto con estadísticas de probabilidad y compatibilidad.

  • NODE_GUID
    En blanco.

  • NODE_CAPTION
    Etiqueta o título asociado al nodo para la presentación.

    Puede cambiar el nombre de los títulos del clúster mientras está utilizando el modelo; sin embargo, si cierra el modelo, el nombre nuevo no se conserva.

  • CHILDREN_CARDINALITY
    Valoración del número de elementos secundarios que tiene el nodo.

    Raíz del modelo: el valor de la cardinalidad es igual al número de clústeres más uno. Para obtener más información, vea Cardinalidad.

    Nodos de clústeres: la cardinalidad siempre es 1, porque cada clúster tiene un único nodo secundario, que contiene la lista de secuencias en el clúster.

    Nodos de secuencia: la cardinalidad indica el número de transiciones que están incluidas en ese clúster. Por ejemplo, la cardinalidad del nodo de secuencia para la raíz del modelo indica cuántas transiciones se encontraron en todo el modelo.

  • PARENT_UNIQUE_NAME
    Nombre único del nodo primario del nodo.

    Se devuelve NULL para todos los nodos del nivel raíz.

  • NODE_DESCRIPTION
    Igual que el título del nodo.

  • NODE_RULE
    Siempre en blanco.

  • MARGINAL_RULE
    Siempre en blanco.

  • NODE_PROBABILITY
    Raíz del modelo: siempre es 0.

    Nodos de clústeres: la probabilidad ajustada del clúster en el modelo. Las probabilidades ajustadas no suman 1, porque el método de agrupación en clústeres utilizado en la agrupación en clústeres de secuencia permite la pertenencia parcial en varios clústeres.

    Nodos de secuencia: siempre es 0.

    Nodos de transición: siempre es 0.

  • MARGINAL_PROBABILITY
    Raíz del modelo: siempre es 0.

    Nodos de clústeres: el mismo valor que NODE_PROBABILITY.

    Nodos de secuencia: siempre es 0.

    Nodos de transición: siempre es 0.

  • NODE_DISTRIBUTION
    Tabla que contiene probabilidades y otra información. Para obtener más información vea Tabla NODE_DISTRIBUTION.

  • NODE_SUPPORT
    Número de transiciones que admiten este nodo. Por consiguiente, si hay 30 ejemplos de secuencia "Producto A seguido de producto B" en los datos de entrenamiento, la compatibilidad total es 30.

    Modelo raíz: número total de transiciones en el modelo.

    Nodos de clústeres: compatibilidad neta para el clúster, que indica el número de casos de entrenamiento que contribuyen a los casos para este clúster.

    Nodos de secuencia: siempre es 0.

    Nodos de transición: porcentaje de casos en el clúster que representan una transición concreta. Puede ser 0 o un valor positivo. Se calcula tomando la compatibilidad neta para el nodo del clúster y multiplicándola por la probabilidad del clúster.

    A partir de este valor, puede indicar cuántos casos de entrenamiento contribuyeron a la transición.

  • MSOLAP_MODEL_COLUMN
    No aplicable.

  • MSOLAP_NODE_SCORE
    No aplicable.

  • MSOLAP_NODE_SHORT_CAPTION
    Igual que NODE_DESCRIPTION.

Descripción de las secuencias, estados y transiciones

Un modelo de agrupación en clústeres de secuencia tiene una estructura única que combina dos tipos de objetos con clases muy diferentes de información: el primer tipo de objeto es el clúster y el segundo es la transición de estado.

Los clústeres creados mediante agrupación en clústeres de secuencia se parecen a los creados mediante el algoritmo de clústeres de Microsoft. Cada clúster tiene un perfil y características. Sin embargo, en la agrupación en clústeres de secuencia, cada clúster contiene además un nodo secundario único que muestra las secuencias en ese clúster. Cada nodo de secuencia contiene varios nodos secundarios que describen en detalle las transiciones de estado, con probabilidades.

Casi siempre hay más secuencias en el modelo de lo que puede encontrar en un único caso, porque las secuencias se pueden encadenar. Microsoft Analysis Services almacena los punteros de un estado al otro para que se pueda contar el número de veces que cada transición se produce. También puede encontrar información de cuántas veces se produjo la secuencia y cuantificar la probabilidad de producirse en comparación con el conjunto completo de estados observados.

La tabla siguiente resume cómo se almacena la información en el modelo y cómo se relacionan los nodos.

Nodo

Tiene nodo secundario

Tabla NODE_DISTRIBUTION

Raíz del modelo

Varios nodos de clústeres

Nodo con secuencias para el modelo completo

Muestra todos los productos en el modelo, con la compatibilidad y probabilidad.

Dado que el método de agrupación en clústeres permite la pertenencia parcial en varios clústeres, la compatibilidad y probabilidad pueden tener valores fraccionarios. Es decir, en lugar de contar una vez un único caso, cada caso puede pertenecer potencialmente a varios clústeres. Por consiguiente, cuando se determina la última pertenencia al clúster, el valor se ajusta con la probabilidad de ese clúster.

Nodo de secuencia para el modelo

Varios nodos de transición

Muestra todos los productos en el modelo, con la compatibilidad y probabilidad.

Dado que el número de secuencias se conoce por el modelo, en este nivel, los cálculos para la compatibilidad y la probabilidad son sencillos:

  • Compatibilidad = recuento de casos

  • Probabilidad = probabilidad neta de cada secuencia del modelo. Todo las probabilidades deberían sumar 1.

Nodos de clústeres individuales

Nodo con secuencias para ese clúster únicamente

Muestra todos los productos de un clúster, pero proporciona los valores de compatibilidad y probabilidad únicamente para los productos que son característicos del clúster.

La compatibilidad representa el valor de compatibilidad ajustada para cada caso en este clúster. Los valores de probabilidad son ajustados.

Nodos de secuencia para clústeres individuales

Varios nodos con transiciones para las secuencias en ese clúster únicamente

Exactamente la misma información que en los nodos de clústeres individuales.

Transiciones

Ningún nodo secundario

Muestra las transiciones para el primer estado relacionado.

La compatibilidad un valor ajustado, que indica los casos que toman parte en cada transición. La probabilidad es la probabilidad ajustada, representada como un porcentaje.

Tabla NODE_DISTRIBUTION

En la tabla NODE_DISTRIBUTION se proporciona información detallada de la compatibilidad y la probabilidad de las transiciones y secuencias de un clúster concreto.

Una fila siempre se agrega a la tabla de transiciones para representar los posibles valores Missing. Para obtener información sobre lo que el valor Missing significa y cómo afecta a los cálculos, vea Valores ausentes (Analysis Services - Minería de datos).

Los cálculos de compatibilidad y probabilidad difieren en función de si el cálculo se aplica a los casos de entrenamiento o al modelo terminado. Esto se debe a que el método de agrupación en clústeres predeterminado, maximización de la expectativa (EM), supone que cualquier caso puede pertenecer a más de un clúster. Al calcular la compatibilidad para los casos en el modelo, es posible utilizar recuentos netos y probabilidades netas. Sin embargo, las probabilidades de una secuencia determinada en un clúster deben ser compensadas por la suma de todas las combinaciones posibles de clústeres y secuencias.

Cardinalidad

En un modelo de agrupación en clústeres, la cardinalidad del nodo primario generalmente indica cuántos clústeres contiene el modelo. Sin embargo, un modelo de agrupación en clústeres de secuencia tiene dos tipos de nodos en el nivel de clúster: un tipo de nodo contiene los clústeres y el otro contiene una lista de secuencias para el modelo como un todo.

Por consiguiente, para obtener información sobre el número de clústeres del modelo, puede tomar el valor de NODE_CARDINALITY para el nodo (Todos) y restar uno. Por ejemplo, si el modelo creara 9 clústeres, la cardinalidad de la raíz del modelo sería de 10. Esto es porque el modelo contiene 9 nodos de clústeres, cada uno con su propio nodo de secuencia, más un nodo de secuencia adicional denominado clúster 10, que representa las secuencias para el modelo.

Tutorial de la estructura

Un ejemplo podría ayudar a clarificar cómo se almacena la información y cómo puede interpretarse. Por ejemplo, puede encontrar el pedido mayor, es decir, la cadena más larga observada en los datos de AdventureWorksDW2008R2 subyacentes, utilizando la consulta siguiente:

USE AdventureWorksDW2008R2
SELECT DISTINCT OrderNumber, Count(*)
FROM vAssocSeqLineItems
GROUP BY OrderNumber
ORDER BY Count(*) DESC

En estos resultados, encuentra que los números de pedido 'SO72656', 'SO58845' y 'SO70714' contienen las secuencias más grandes, con ocho elementos cada una. Mediante los identificadores de pedido puede ver los detalles de un pedido determinado para comprobar qué artículos se compraron y en qué orden.

OrderNumber

LineNumber

Model

SO58845

1

Mountain-500

SO58845

2

LL Mountain Tire

SO58845

3

Mountain Tire Tube

SO58845

4

Fender Set - Mountain

SO58845

5

Mountain Bottle Cage

SO58845

6

Water Bottle

SO58845

7

Sport-100

SO58845

8

Long-Sleeve Logo Jersey

Sin embargo, algunos clientes que compran el producto Mountain-500 podrían comprar productos diferentes. Puede ver todos los productos que siguen a Mountain-500 en la lista de secuencias del modelo. Los procedimientos siguientes le permiten ver estas secuencias utilizando los dos visores que se proporcionan en Analysis Services:

Para ver las secuencias relacionadas con el visor de agrupaciones en clústeres de secuencia

  1. En el Explorador de objetos, haga clic con el botón secundario en el modelo [Clústeres de secuencia] y, a continuación, haga clic en Examinar.

  2. En el visor de agrupaciones en clústeres de secuencia, haga clic en la ficha Transiciones de estado.

  3. En la lista desplegable Clúster, asegúrese de que la opción Población (Todo) está seleccionada.

  4. Mueva completamente la barra deslizante a la izquierda del panel hasta la parte superior para mostrar todos los vínculos.

  5. En el diagrama, busque Mountain-500 y haga clic en el nodo en el diagrama.

  6. Las líneas resaltadas señalan a los estados siguientes (los productos que se compraron después de Mountain-500) y los números indican la probabilidad. Compare con los resultados del visor de contenido de modelo genérico.

Para ver las secuencias relacionadas utilizando el visor de contenido de modelo genérico

  1. En el Explorador de objetos, haga clic con el botón secundario en el modelo [Clústeres de secuencia] y, a continuación, haga clic en Examinar.

  2. En la lista desplegable del visor, seleccione Visor de árbol de contenido genérico de Microsoft.

  3. En el panel Título de nodo, haga clic el nodo denominado Nivel de secuencia para el clúster 16.

  4. En el panel de detalles Nodo, busque la fila NODE_DISTRIBUTION y haga clic en cualquier parte en la tabla anidada.

    La fila superior siempre es para el valor Missing. Esta fila es el estado 0 de la secuencia.

  5. Presione la tecla de flecha hacia abajo o utilice las barras de desplazamiento para moverse hacia abajo a través de la tabla anidada hasta que vea la fila Mountain-500.

    Esta fila es el estado 20 de la secuencia.

    Nota

    Puede obtener mediante programación el número de fila para un estado de secuencia determinado, pero si únicamente está examinando, podría ser más fácil copiar simplemente la tabla anidada en un libro de Excel.

  6. Vuelva al panel Título de nodo y expanda el nodo Nivel de secuencia para el clúster 16, si aún no está expandido.

  7. Busque entre sus nodos secundarios Fila de transición para el estado de secuencia 20. Haga clic en el nodo de transición.

  8. La tabla NODE_DISTRIBUTION anidada contiene los productos y probabilidades siguientes. Compárelos con los resultados de la ficha Transiciones de estado del visor de agrupaciones en clústeres de secuencia.

En la tabla siguiente se muestran los resultados de la tabla NODE_DISTRIBUTION, junto con los valores de probabilidad redondeados que se muestran en el visor gráfico.

Producto

Compatibilidad (tabla NODE_DISTRIBUTION)

Probabilidad (tabla NODE_DISTRIBUTION))

Probabilidad (del grafo)

Missing

48.447887

0.138028169

(no se muestra)

Cycling Cap

10.876056

0.030985915

0.03

Fender Set - Mountain

80.087324

0.228169014

0.23

Half-Finger Gloves

0.9887324

0.002816901

0.00

Hydration Pack

0.9887324

0.002816901

0.00

LL Mountain Tire

51.414085

0.146478873

0.15

Long-Sleeve Logo Jersey

2.9661972

0.008450704

0.01

Mountain Bottle Cage

87.997183

0.250704225

0.25

Mountain Tire Tube

16.808451

0.047887324

0.05

Short-Sleeve Classic Jersey

10.876056

0.030985915

0.03

Sport-100

20.76338

0.05915493

0.06

Water Bottle

18.785915

0.053521127

0.25

Aunque el caso que seleccionamos inicialmente en los datos de entrenamiento contenía el producto 'Mountain-500' seguido de 'LL Mountain Tire', puede ver que hay muchas otras secuencias posibles. Para buscar información detallada de un clúster en especial, debe repetir el proceso de explorar en profundidad en la lista de secuencias del clúster hasta las transiciones reales de cada estado o producto.

Puede saltar de la secuencia enumerada en un clúster determinado a la fila de transición. Con esa fila de transición puede determinar qué producto es el siguiente y volver a ese producto en la lista de secuencias. Repitiendo este proceso para cada primer y segundo estados, puede trabajar con cadenas de estados largas.

Usar la información de la secuencia

Un escenario común para la agrupación en clústeres de secuencia es realizar el seguimiento de los clics del usuario en un sitio web. Por ejemplo, si los datos provinieran de registros de compras del cliente del sitio web de comercio electrónico de Adventure Works, el modelo de agrupación en clústeres de secuencia resultante se podría utilizar para deducir el comportamiento del usuario, rediseñar el sitio de comercio electrónico para resolver los problemas de navegación o promocionar las ventas.

Por ejemplo, el análisis podría mostrar que los usuarios siempre siguen una cadena determinada de productos, sin tener en cuenta la información demográfica. Además, podría encontrar que los usuarios frecuentemente salen del sitio después de hacer clic en un producto concreto. Dado este descubrimiento, podría preguntarse qué rutas de acceso adicionales podría proporcionar a los usuarios que les inducirían a quedarse en el sitio web.

Si no tiene información adicional que pueda utilizar para clasificar a sus usuarios, simplemente puede utilizar la información de la secuencia para recopilar datos sobre la navegación y entender mejor el comportamiento global. Sin embargo, si puede recopilar información sobre los clientes y hacer corresponder esa información con la base de datos de clientes, puede combinar la eficacia de la agrupación en clústeres con la predicción de secuencias con el fin de proporcionar recomendaciones personalizadas para el usuario o quizás basadas en la ruta de acceso de navegación en la página actual.

Otro uso de la completa información de estado y transiciones que compila un modelo de agrupación en clústeres de secuencia es determinar qué posibles rutas de acceso no se usan nunca. Por ejemplo, si muchos visitantes que van a las páginas 1 a 4, pero nunca continúan hacia la página 5, podría investigar si hay problemas que impiden la navegación a dicha página. Puede hacer esto consultando el contenido del modelo y comparándolo con una lista de posibles rutas de acceso. Se pueden crear gráficos que le indiquen todas las rutas de navegación de un sitio web mediante programación o utilizando diversas herramientas de análisis de sitios.

Para averiguar cómo obtener la lista de rutas de acceso observadas consultando el contenido del modelo y ver otros ejemplos de consultas en un modelo de agrupación en clústeres de secuencia, vea Consultar un modelo de agrupación en clústeres de secuencia (Analysis Services - Minería de datos).