Consultar un modelo de red neuronal (Analysis Services - Minería de datos)

La consulta siguiente devuelve algunos metadatos básicos sobre un modelo que se generó con el algoritmo de red neuronal de Microsoft. En un modelo de red neuronal, el nodo primario del modelo únicamente contiene el nombre del modelo, el nombre de la base de datos en la que se encuentra almacenado el modelo y el número de nodos secundarios. Sin embargo, el nodo de estadísticas marginal (NODE_TYPE = 24) proporciona tanto los metadatos básicos como algunas estadísticas derivadas acerca de las columnas de entrada que se usan en el modelo.

La siguiente consulta de ejemplo se basa en el modelo de minería creado en el Tutorial intermedio de minería de datos, denominado Call Center Default NN. El modelo utiliza datos de un centro de atención telefónica para explorar las correlaciones posibles entre el personal y el número de llamadas, pedidos e incidencias. La instrucción DMX recupera los datos del nodo de estadísticas marginales del modelo de red neuronal. La consulta incluye la palabra clave FLATTENED, porque las estadísticas de los atributos de entrada de interés están almacenadas en una tabla anidada, NODE_DISTRIBUTION. Sin embargo, si el proveedor de consultas admite conjuntos de filas jerárquicos, no necesita utilizar la palabra clave FLATTENED.

SELECT FLATTENED MODEL_CATALOG, MODEL_NAME, 
(    SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE,
     [SUPPORT], [PROBABILITY], VALUETYPE 
     FROM NODE_DISTRIBUTION
) AS t
FROM [Call Center Default NN].CONTENT
WHERE NODE_TYPE = 24

Resultados del ejemplo:

Para obtener la definición de lo que las columnas del conjunto de filas de esquema significan en el contexto de un modelo de red neuronal, vea Contenido del modelo de minería de datos para los modelos de red neuronal (Analysis Services - Minería de datos).

Volver al principio

Mediante una consulta al conjunto de filas de esquema de minería de datos, puede obtener la misma información que a través de una consulta de contenido DMX. Sin embargo, el conjunto de filas de esquema proporciona algunas columnas adicionales. La consulta del ejemplo siguiente devuelve la fecha en que el modelo fue creado, modificado y procesado por última vez. La consulta también devuelve las columnas de predicción, que no están disponibles con facilidad en el contenido del modelo, y los parámetros que se usaron para generarlo. Esta información puede ser útil para documentar el modelo.

SELECT MODEL_NAME, DATE_CREATED, LAST_PROCESSED, PREDICTION_ENTITY, MINING_PARAMETERS 
from $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'Call Center Default NN'

Resultados del ejemplo:

Volver al principio

Puede recuperar los pares de entradas atributo-valor que se usaron para crear el modelo consultando los nodos secundarios (NODE_TYPE = 20) del nivel de entrada (NODE_TYPE = 18). La consulta siguiente devuelve una lista de atributos de entrada a partir de las descripciones de los nodos.

SELECT NODE_DESCRIPTION
FROM [Call Center Default NN].CONTENT
WHERE NODE_TYPE = 2

Resultados del ejemplo:

Aquí sólo se muestran unas filas representativas de los resultados. Sin embargo, puede ver que NODE_DESCRIPTION proporciona información ligeramente diferente que depende del tipo de datos del atributo de entrada.

• Si el atributo es un valor discreto o discretizado, se devuelven tanto el atributo como su valor o intervalo discretizado.

• Si el atributo es un tipo de datos numéricos continuo, NODE_DESCRIPTION solamente contiene el nombre de atributo. Sin embargo, puede recuperar la tabla NODE_DISTRIBUTION anidada para obtener la media o devuelve NODE_RULE para obtener los valores máximo y mínimo del intervalo numérico.

La consulta siguiente muestra cómo consultar la tabla NODE_DISTRIBUTION anidada para devolver los atributos en una columna y sus valores en otra. En los atributos continuos, el valor del atributo se representa mediante su media.

SELECT FLATTENED 
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE
FROM NODE_DISTRIBUTION) as t
FROM [Call Center Default NN -- Predict Service and Orders].CONTENT
WHERE NODE_TYPE = 21

Resultados del ejemplo:

Los valores de intervalo mínimo y máximo están almacenados en la columna NODE_RULE y se representan como un fragmento XML, como se muestra en el ejemplo siguiente:

<NormContinuous field="Level 1 Operators">  
  <LinearNorm orig="2.83967303681711" norm="-1" />  
  <LinearNorm orig="3.75291955577548" norm="1" />  
</NormContinuous>  

Volver al principio

El contenido de un modelo de red neuronal se estructura de modo que facilita la recuperación de los detalles sobre cualquier nodo de la red. Es más, los números de identificadores de los nodos proporcionan información que ayuda a identificar las relaciones entre los tipos de nodo.

La consulta siguiente demuestra cómo recuperar los coeficientes que están almacenados bajo un nodo determinado del nivel oculto. El nivel oculto está compuesto de un nodo de organizador (NODE_TYPE = 19), que sólo contiene metadatos, y varios nodos secundarios (NODE_TYPE = 22), que contienen los coeficientes de las diversas combinaciones de atributos y valores. Esta consulta devuelve sólo los nodos de coeficiente.

SELECT FLATTENED TOP 1 NODE_UNIQUE_NAME, 
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE, VALUETYPE
FROM NODE_DISTRIBUTION) as t
FROM  [Call Center Default NN -- Predict Service and Orders].CONTENT
WHERE NODE_TYPE = 22
AND [PARENT_UNIQUE_NAME] = '40000000200000000' FROM [Call Center Default NN].CONTENT

Resultados del ejemplo:

Los resultados parciales mostrados aquí demuestran cómo el contenido del modelo de red neuronal relaciona el nodo oculto con los nodos de entrada.

• Los nombres únicos de los nodos en el nivel oculto siempre empiezan por 70000000.

• Los nombres únicos de los nodos en el nivel de entrada siempre empiezan por 60000000.

Por tanto, estos resultados indican que al nodo denotado por el identificador 70000000200000000 se le habían pasado seis coeficientes diferentes (VALUETYPE = 7). Los valores de los coeficientes están en la columna ATTRIBUTE_VALUE. Puede determinar exactamente para qué atributo de entrada es el coeficiente utilizando el identificador de nodo en la columna ATTRIBUTE_NAME. Por ejemplo, el identificador de nodo 6000000000000000a hace referencia el atributo de entrada y al valor, Day of Week = 'Tue.' Puede utilizar el identificador de nodo para crear una consulta o puede ir al nodo utilizando el Visor de árbol de contenido genérico de Microsoft.

De igual forma, si consulta la tabla NODE_DISTRIBUTION de los nodos del nivel de salida (NODE_TYPE = 23), puede ver los coeficientes de cada valor de salida. Sin embargo, en el nivel de salida, los punteros hacen referencia a los nodos del nivel oculto. Para obtener más información, vea Contenido del modelo de minería de datos para los modelos de red neuronal (Analysis Services - Minería de datos).

Volver al principio

La manera más fácil de generar una consulta de predicción en un modelo de red neuronal es utilizar el Generador de consultas de predicción, disponible en la ficha Predicción de minería de datos del Diseñador de minería de datos de SQL Server Management Studio y Business Intelligence Development Studio. Puede examinar el modelo en el Visor de red neuronal de Microsoft para filtrar los atributos de interés y las tendencias de vista, y a continuación cambiar a la ficha Predicción de minería de datos para crear una consulta y predecir los valores nuevos para esas tendencias.

Por ejemplo, puede examinar el modelo de centro de atención telefónica para ver las correlaciones entre los volúmenes de pedidos y otros atributos. Para ello, abra el modelo en el visor y, como Entrada, seleccione <Todos>. Después, como Salida, seleccione Number of Orders. Como Valor 1, seleccione el intervalo que representa la mayoría de los pedidos y como Valor 2, seleccione el intervalo que representa los pedidos menores. A continuación, puede ver de un vistazo todos los atributos que el modelo pone en correlación con el volumen de pedidos.

Al examinar los resultados en el visor, puede ver que ciertos días de la semana tienen los menores volúmenes de pedidos y que un aumento en el número de operadores parece estar correlacionado con ventas mayores. Después, podría utilizar una consulta de predicción en el modelo para probar una hipótesis "qué sucedería si" y preguntar si al aumentar el número de operadores de nivel 2 en un día de volumen bajo, aumentarían los pedidos. Para ello, cree una consulta como la siguiente:

SELECT Predict([Call Center Default NN].[Number of Orders]) AS [Predicted Orders],
PredictProbability([Call Center Default NN].[Number of Orders]) AS [Probability]
FROM [Call Center Default NN]
NATURAL PREDICTION JOIN 
(SELECT 'Tue.' AS [Day of Week]
13 AS [Level 2 Operators] AS t

Resultados del ejemplo:

El volumen de ventas predicho es mayor que el intervalo actual de ventas del martes y la probabilidad de predicción es muy alta. Sin embargo, podría ser conveniente crear varias predicciones utilizando un proceso por lotes para probar una variedad de hipótesis en el modelo.

Volver al principio