Algoritmo de red neuronal de Microsoft (Analysis Services - Minería de datos)
En SQL Server Analysis Services, el algoritmo de red neuronal de Microsoft combina cada posible estado del atributo de entrada con cada posible estado del atributo de predicción, y usa los datos de entrenamiento para calcular las probabilidades. Posteriormente, puede usar estas probabilidades para la clasificación o la regresión, así como para predecir un resultado del atributo de predicción basándose en los atributos de entrada.
Los modelos de minería de datos construidos con el algoritmo de red neuronal de Microsoft pueden contener varias redes, en función del número de columnas que se utilizan para la entrada y la predicción, o sólo para la predicción. El número de redes que contiene un único modelo de minería de datos depende del número de estados que contienen las columnas de entrada y las columnas de predicción que utiliza el modelo.
Ejemplo
El algoritmo de red neuronal de Microsoft es útil para analizar datos de entrada complejos, como los datos de un proceso comercial o de producción, o problemas empresariales para los que hay una cantidad importante de datos de entrenamiento disponibles pero en los que no es fácil derivar reglas mediante otros algoritmos.
Los casos sugeridos para utilizar el algoritmo de red neuronal de Microsoft son:
Análisis de comercialización y promoción, como medir el éxito de una promoción por correo directo o una campaña publicitaria en la radio.
Predecir los movimientos de las acciones, la fluctuación de la moneda u otra información financiera con gran número de cambios a partir de los datos históricos.
Analizar los procesos industriales y de producción.
Minería de texto.
Cualquier modelo de predicción que analice relaciones complejas entre muchas entradas y relativamente pocas salidas.
Cómo funciona el algoritmo
El algoritmo de red neuronal de Microsoft crea una red formada por hasta tres niveles de neuronas. Estas capas son una capa de entrada, una capa oculta opcional y una capa de salida.
Nivel de entrada: las neuronas de entrada definen todos los valores de atributos de entrada para el modelo de minería de datos, así como sus probabilidades.
Nivel oculto: las neuronas ocultas reciben entradas de las neuronas de entrada y proporcionan salidas a las neuronas de salida. El nivel oculto es donde se asignan pesos a las distintas probabilidades de las entradas. Un peso describe la relevancia o importancia de una entrada determinada para la neurona oculta. Cuanto mayor sea el peso asignado a una entrada, más importante será el valor de dicha entrada. Los pesos pueden ser negativos, lo que significa que la entrada puede desactivar, en lugar de activar, un resultado concreto.
Nivel de salida: las neuronas de salida representan valores de atributo de predicción para el modelo de minería de datos.
Para obtener una explicación detallada acerca de cómo se construyen y puntúan los niveles de entrada, los niveles de salida y los niveles ocultos, vea Referencia técnica del algoritmo de red neuronal de Microsoft.
Datos requeridos para los modelos de red neuronal
El modelo de red neuronal debe contener una columna de clave, una o más columnas de entrada y una o más columnas de predicción.
Los modelos de minería de datos que usan el algoritmo de red neuronal de Microsoft están muy influenciados por los valores que se especifican en los parámetros disponibles para el algoritmo. Los parámetros definen cómo se muestrean los datos, cómo se distribuyen o cómo se espera que estén distribuidos en cada columna, y cuándo se invoca la selección de características para limitar los valores usados en el modelo final.
Para obtener más información sobre cómo establecer parámetros para personalizar el comportamiento del modelo, vea Referencia técnica del algoritmo de red neuronal de Microsoft.
Ver un modelo de red neuronal
Para trabajar con los datos y ver cómo el modelo pone en correlación las entradas y 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 predictivo 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.
La manera más fácil de explorar la estructura del modelo consiste en usar el Visor de árbol de contenido genérico de Microsoft. Este visor le permitirá ver las entradas, las salidas y las redes creadas por el modelo, así como hacer clic en cualquier nodo para expandirlo y ver las estadísticas relacionadas con los niveles de entrada, los niveles de salida y los niveles ocultos de los nodos. Para obtener más información, vea Ver los detalles del modelo con el Visor de árbol de contenido genérico de Microsoft.
Crear predicciones
Una vez procesado el modelo, puede usar la red y los pesos almacenados dentro de cada nodo para realizar predicciones. Un modelo de red neuronal admite el análisis de regresión, de asociación y de clasificación. Por lo tanto, el significado de cada predicción puede ser diferente. También puede consultar el propio modelo, revisar las correlaciones encontradas y recuperar las estadísticas relacionadas. Para obtener ejemplos de cómo crear consultas en un modelo de red neuronal, vea Consultar un modelo de red neuronal (Analysis Services - Minería de datos).
Para obtener información general sobre cómo crear una consulta en un modelo de minería de datos, vea Consultar modelos de minería de datos (Analysis Services - Minería de datos).
Observaciones
No admite la obtención de detalles ni las dimensiones de minería de datos. Esto se debe a que la estructura de los nodos del modelo de minería de datos no tiene por qué corresponder directamente a los datos subyacentes.
No admite la creación de modelos en el formato PMML (Lenguaje de marcado de modelos de predicción).
Admite el uso de modelos de minería de datos OLAP.
No admite la creación de dimensiones de minería de datos.
Vea también