Contenido del modelo de minería de datos para los modelos de red neuronal (Analysis Services - Minería de datos)

Descripción de la estructura de un modelo de red neuronal

Cada modelo de red neuronal tiene un nodo primario único que representa el modelo y sus metadatos, y un nodo de estadísticas marginal (NODE_TYPE = 24) que proporciona estadísticas descriptivas sobre los atributos de entrada. El nodo de estadísticas marginal es útil porque resume información sobre las entradas, de modo que no necesite consultar los datos de los nodos individuales.

Debajo de estos dos nodos hay al menos dos nodos más y podría haber muchos más, en función de cuántos atributos de predicción tenga el modelo.

• El primer nodo (NODE_TYPE = 18) siempre representa el nodo superior del nivel de entrada. Bajo este nodo superior, puede encontrar los nodos de entrada (NODE_TYPE = 21) que contienen los atributos de entrada reales y sus valores.

• Los nodos sucesivos contienen cada uno una subred diferente (NODE_TYPE = 17). Cada subred siempre contiene un nivel oculto (NODE_TYPE = 19) y un nivel de salida (NODE_TYPE = 20) para esa subred.

La información del nivel de entrada es simple: el nodo superior de cada nivel de entrada (NODE_TYPE = 18) actúa como un organizador para una colección de nodos de entrada (NODE_TYPE = 21). El contenido de los nodos de entrada se describe en la tabla siguiente.

Cada subred (NODE_TYPE = 17) representa el análisis de la influencia del nivel de entrada en un atributo de predicción determinado. Si hay varias salidas de predicción, hay varias subredes. El nivel oculto de cada subred contiene varios nodos ocultos (NODE_TYPE = 22) que contienen los detalles sobre los pesos de cada transición que finaliza en ese nodo oculto en especial.

El nivel de salida (NODE_TYPE = 20) contiene los nodos de salida (NODE_TYPE = 23) que contiene cada uno valores distintos del atributo de predicción. Si el atributo de predicción es un tipo de datos numéricos continuo, sólo hay un nodo de salida para el atributo.

La manera más fácil de explorar la estructura de las entradas y subredes consiste en usar el Visor de árbol de contenido genérico de Microsoft. Puede hacer clic en cualquier nodo para expandirlo y ver los nodos secundarios, o ver los pesos y otras estadísticas que contiene el nodo.

Para trabajar con los datos y ver cómo pone en correlación el modelo las entradas y las salidas, puede usar el Visor de redes neuronales de Microsoft. Con este visor personalizado, puede filtrar los atributos de entrada y sus valores, y ver gráficamente cómo afectan a las salidas. La información sobre herramientas del visor muestra la probabilidad y la mejora respecto al modelo de predicción asociados a cada par de valores de entrada y de salida. Para obtener más información, vea Ver un modelo de minería de datos con el Visor de redes neuronales de Microsoft.

Contenido de un modelo de red neuronal

En esta sección solo se proporcionan detalles y ejemplos de las columnas del contenido del modelo de minería de datos que tienen una relevancia especial para las redes neuronales. Para obtener información sobre las columnas de uso general en el conjunto de filas de esquema, como MODEL_CATALOG y MODEL_NAME, que no se describen aquí, o para obtener una explicación de la terminología del modelo de minería de datos, vea Contenido del modelo de minería de datos (Analysis Services - Minería de datos).

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

• MODEL_NAME
  Nombre del modelo.

• ATTRIBUTE_NAME
  Nombres de los atributos que corresponden a este nodo.

  Nodo	Contenido
  Raíz del modelo	En blanco
  Estadísticas marginales	En blanco
  Nivel de entrada	En blanco
  Nodo de entrada	Nombre del atributo de entrada
  Nivel oculto	En blanco
  Nodo oculto	En blanco
  Nivel de salida	En blanco
  Nodo de salida	Nombre del atributo de salida

• NODE_NAME
  Nombre del nodo. Esta columna contiene el mismo valor que NODE_UNIQUE_NAME.

• NODE_UNIQUE_NAME
  Nombre único del nodo.

  Para obtener más información sobre cómo los nombres e identificadores proporcionan información estructural sobre el modelo, consulte la sección Usar nombres de nodo e identificadores.

• NODE_TYPE
  Un modelo de red neuronal genera únicamente los tipos de nodos siguientes:

  Identificador del tipo de nodo	Descripción
  1	Modelo.
  17	Nodo de organizador para la subred.
  18	Nodo de organizador para el nivel de entrada.
  19	Nodo de organizador para el nivel oculto.
  20	Nodo de organizador para el nivel de salida.
  21	Nombre del atributo de entrada.
  22	Nodo del nivel oculto
  23	Nodo del atributo de salida.
  24	Nodo de estadísticas marginales.

• NODE_CAPTION
  Etiqueta o título asociado al nodo. En los modelos de red neuronal, siempre está en blanco.

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

  Nodo	Contenido
  Raíz del modelo	Indica el recuento de nodos secundarios, que incluye por lo menos una red, un nodo marginal necesario y un nivel de entrada necesaria. Por ejemplo, si el valor es 5, hay tres subredes.
  Estadísticas marginales	Siempre es 0.
  Nivel de entrada	Indica el número de pares de valores y atributos de entrada que usó el modelo.
  Nodo de entrada	Siempre es 0.
  Nivel oculto	Indica el número de nodos ocultos que fueron creados por el modelo.
  Nodo oculto	Siempre es 0.
  Nivel de salida	Indica el número de valores de salida.
  Nodo de salida	Siempre es 0.

• PARENT_UNIQUE_NAME
  Nombre único del nodo primario del nodo. Se devuelve NULL para todos los nodos del nivel raíz.

  Para obtener más información sobre cómo proporcionan los nombres e identificadores información estructural sobre el modelo, consulte la sección Usar nombres de nodo e identificadores.

• NODE_DESCRIPTION
  Descripción fácil de comprender del nodo.

  Nodo	Contenido
  Raíz del modelo	En blanco
  Estadísticas marginales	En blanco
  Nivel de entrada	En blanco
  Nodo de entrada	Nombre del atributo de entrada
  Nivel oculto	En blanco
  Nodo oculto	Entero que indica la secuencia del nodo oculto en la lista de nodos ocultos.
  Nivel de salida	En blanco
  Nodo de salida	Si el atributo de salida es continuo, contiene su nombre. Si el atributo de salida es discreto, contiene el nombre del atributo y el valor.

• NODE_RULE
  Descripción XML de la regla que está incrustada en el nodo.

  Nodo	Contenido
  Raíz del modelo	En blanco
  Estadísticas marginales	En blanco
  Nivel de entrada	En blanco
  Nodo de entrada	Fragmento XML que contiene la misma información que la columna NODE_DESCRIPTION.
  Nivel oculto	En blanco
  Nodo oculto	Entero que indica la secuencia del nodo oculto en la lista de nodos ocultos.
  Nivel de salida	En blanco
  Nodo de salida	Fragmento XML que contiene la misma información que la columna NODE_DESCRIPTION.

• MARGINAL_RULE
  En los modelos de red neuronal, siempre está en blanco.

• NODE_PROBABILITY
  Probabilidad asociada a este nodo. En los modelos de red neuronal, siempre es 0.

• MARGINAL_PROBABILITY
  Probabilidad de alcanzar el nodo desde el nodo primario. En los modelos de red neuronal, siempre es 0.

• NODE_DISTRIBUTION
  Tabla anidada que contiene la información estadística para el nodo. Para obtener información detallada sobre el contenido de esta tabla para cada tipo de nodo, consulte la sección Descripción de la tabla NODE_DISTRIBUTION.

• NODE_SUPPORT
  En los modelos de red neuronal, siempre es 0.

  Nota

  Las probabilidades de compatibilidad siempre son 0 porque la salida de este tipo de modelo no es probabilística. Lo único significativo para el algoritmo son los pesos; por consiguiente, el algoritmo no calcula la probabilidad, la compatibilidad ni la varianza.

  Para obtener información sobre la compatibilidad en los casos de entrenamiento para valores concretos, vea el nodo de estadísticas marginales.

• MSOLAP_MODEL_COLUMN

  Nodo	Contenido
  Raíz del modelo	En blanco
  Estadísticas marginales	En blanco
  Nivel de entrada	En blanco
  Nodo de entrada	Nombre del atributo de entrada.
  Nivel oculto	En blanco
  Nodo oculto	En blanco
  Nivel de salida	En blanco
  Nodo de salida	Nombre del atributo de entrada.

• MSOLAP_NODE_SCORE
  En un modelo de red neuronal, siempre es 0.

• MSOLAP_NODE_SHORT_CAPTION
  En los modelos de red neuronal, siempre está en blanco.

Comentarios

El propósito de entrenar un modelo de red neuronal es determinar los pesos que están asociados a cada transición de una entrada a un punto medio y de un punto medio a un extremo. Por consiguiente, el nivel de entrada del modelo existe principalmente para almacenar los valores reales que se usaron para generarlo. El nivel oculto almacena los pesos que se calcularon y proporciona punteros a los atributos de entrada. El nivel de salida almacena los valores de predicción y también proporciona punteros a los puntos medios en el nivel oculto.

Usar nombres de nodo e identificadores

La denominación de los nodos de un modelo de red neuronal proporciona información adicional sobre el tipo de nodo, para facilitar relacionar el nivel oculto con el nivel de entrada y el nivel de salida con el nivel oculto. En la tabla siguiente se muestra la convención para los identificadores que están asignados a los nodos de cada nivel.

Puede determinar qué atributos de entrada se relacionan con un nodo de nivel oculto concreto viendo la tabla NODE_DISTRIBUTION en el nodo oculto (NODE_TYPE = 22). Cada fila de la tabla NODE_DISTRIBUTION contiene el identificador de un nodo de atributo de entrada.

De igual forma, puede determinar qué niveles ocultos se relacionan con un atributo de salida viendo la tabla NODE_DISTRIBUTION en el nodo de salida (NODE_TYPE = 23). Cada fila de la tabla NODE_DISTRIBUTION contiene el identificador de un nodo del nivel oculto, junto con el coeficiente relacionado.

Interpretar la información de la tabla NODE_DISTRIBUTION

La tabla NODE_DISTRIBUTION puede estar vacía en algunos nodos. Sin embargo, para los nodos de entrada, los nodos del nivel oculto y los nodos de salida, la tabla NODE_DISTRIBUTION almacena información importante e interesante sobre el modelo. Como ayuda para interpretar esta información, la tabla NODE_DISTRIBUTION contiene una columna VALUETYPE para cada fila que indica si el valor de la columna ATTRIBUTE_VALUE es Discreto (4), Discretizado (5) o Continuo (3).

Nodos de entrada

Nodos del nivel oculto

Nodos de salida

Vea también

Referencia

Conceptos