Compartir a través de


Explorar el modelo Bayes naive (Tutorial básico de minería de datos)

El algoritmo Bayes naive de Microsoft proporciona varios métodos para mostrar la interacción entre los atributos de entrada y la compra de bicicletas.

El Visor Naive Bayes de Microsoft ofrece las siguientes fichas para la exploración de modelos de minería de datos Bayes naive:

Dependency Network

Attribute Profiles

Attribute Characteristics

Attribute Discrimination

Las secciones siguientes describen cómo explorar los demás modelos de minería de datos.

Red de dependencias

La ficha Red de dependencias funciona igual que la ficha del mismo nombre del Visor de árboles de Microsoft. Cada nodo del visor representa un atributo y las líneas entre los nodos representan relaciones. En el visor, puede ver todos los atributos que afectan al estado del atributo de predicción, Bike Buyer.

Para explorar el modelo en la ficha Red de dependencias

  1. Utilice la lista Modelo de minería de datos de la parte superior de la ficha Visor de modelos de minería de datos para cambiar al modelo TM_NaiveBayes.

  2. Utilice la lista Visor para cambiar a Visor Bayes naive de Microsoft.

  3. Haga clic en el nodo Bike Buyer para identificar sus dependencias.

    El sombreado rosa indica que todos los atributos influyen en la compra de bicicletas.

  4. Ajuste el control deslizante para identificar el atributo más influyente.

    Conforme baja el control deslizante, sólo permanecen los atributos que afectan en mayor medida a la columna [Bike Buyer]. Ajustando el control deslizante, puede detectar que algunos de los atributos más influyentes son el número de automóviles que se posee, la distancia al lugar de trabajo y el número total de hijos.

Volver al principio

Perfiles del atributo

La ficha Perfiles del atributo describe la forma en que los diferentes estados de los atributos de entrada afectan al resultado del atributo de predicción.

Para explorar el modelo en la ficha Perfiles del atributo

  1. En el cuadro De predicción, compruebe que se ha seleccionado Bike Buyer.

  2. Si la Leyenda de minería de datos está evitando la presentación de los Perfiles del atributo, retírela.

  3. En el cuadro de barras Histograma, seleccione 5.

    En nuestro modelo, 5 es el número máximo de estados para cualquier variable.

    Los atributos que afectan al estado de este atributo de predicción aparecen enumerados junto a los valores de cada estado de los atributos de entrada y sus distribuciones en cada estado del atributo de predicción.

  4. En la columna Atributos, busque Number Cars Owned. Observe las diferencias en los histogramas de los compradores de bicicletas (la columna con la etiqueta 1) y los no compradores (la columna con la etiqueta 0). Una persona que no tenga automóvil o que tenga uno tiene mucha más probabilidad de comprar una bicicleta.

  5. Haga doble clic en la celda Number Cars Owned en la columna de comprador de bicicletas (la columna con la etiqueta 1).

    La Leyenda de minería de datos muestra una vista más detallada.

Volver al principio

Características del atributo

Mediante la ficha Características del atributo, puede seleccionar un atributo y un valor para ver la frecuencia con la que aparecen los valores de otros atributos en el caso de los valores seleccionados.

Para explorar el modelo en la ficha Características del atributo

  1. En la lista Atributo, compruebe que Bike Buyer está seleccionado.

  2. Establezca el Valor en 1.

    En el visor, verá que los clientes que no tienen ningún hijo conviviendo con ellos, una distancia corta al trabajo y que viven en la región de Norteamérica tienen más probabilidad de comprar una bicicleta.

Volver al principio

Distinción del atributo

La ficha Distinción del atributo le permite examinar las relaciones entre dos valores discretos de la compra de una bicicleta y otros valores del atributo. Dado que el modelo TM_NaiveBayes sólo tiene dos estados, 1 y 0, no tiene que hacer ningún cambio en el visor.

En el visor, podrá ver que las personas que no tienen un automóvil tienden a comprar bicicletas y las personas que tienen dos no suelen comprarlas.