Algoritmos de minería de datos (Analysis Services: Minería de datos)

Se aplica a: SQL Server 2019 y versiones anteriores de Analysis Services Azure Analysis Services Fabric/Power BI Premium

Un algoritmo en minería de datos (o aprendizaje automático) es un conjunto de heurísticas y cálculos que permiten crear un modelo a partir de datos. Para crear un modelo, el algoritmo analiza primero los datos proporcionados, en busca de tipos específicos de patrones o tendencias. El algoritmo usa los resultados de este análisis en un gran número de iteraciones para determinar los parámetros óptimos para crear el modelo de minería de datos. A continuación, estos parámetros se aplican en todo el conjunto de datos para extraer patrones procesables y estadísticas detalladas.

El modelo de minería de datos que crea un algoritmo a partir de los datos puede tomar diversas formas, incluyendo:

• Un conjunto de clústeres que describe cómo se relacionan los casos de un conjunto de datos.

• Un árbol de decisión que predice un resultado y que describe cómo afectan a este los distintos criterios.

• Un modelo matemático que predice las ventas.

• Un conjunto de reglas que describen cómo se agrupan los productos en una transacción, y las probabilidades de que dichos productos se adquieran juntos.

Los algoritmos proporcionados en SQL Server Minería de datos son los métodos más populares y bien investigados de derivar patrones de datos. Para tomar un ejemplo, la agrupación en clústeres K-means es uno de los algoritmos de agrupación en clústeres más antiguos y está disponible ampliamente en muchas herramientas diferentes y con muchas implementaciones y opciones diferentes. Sin embargo, la implementación concreta de la agrupación en clústeres K-means usada en SQL Server minería de datos fue desarrollada por Microsoft Research y luego optimizada para el rendimiento con SQL Server Analysis Services. Todos los algoritmos de minería de datos de Microsoft se pueden personalizar ampliamente y usar mediante programación con las API proporcionadas. También puede automatizar la creación, el entrenamiento y el reciclaje de modelos mediante los componentes de minería de datos de Integration Services.

También puede usar algoritmos de minería de datos desarrollados por terceros que cumplan la especificación OLE DB para minería de datos, o desarrollar algoritmos personalizados que se pueden registrar como servicios para usarlos a continuación en el marco de la minería de datos de SQL Server.

Elegir el algoritmo correcto

La elección del mejor algoritmo para una tarea analítica específica puede ser un desafío. Aunque puede usar diferentes algoritmos para realizar la misma tarea, cada uno de ellos genera un resultado diferente, y algunos pueden generar más de un tipo de resultado. Por ejemplo, puede usar el algoritmo de árboles de decisión de Microsoft no sólo para la predicción, sino también como una forma de reducir el número de columnas de un conjunto de datos, porque el árbol de decisión puede identificar columnas que no influyen en el modelo final de minería de datos.

Elegir un algoritmo por tipo

SQL Server Minería de datos incluye los siguientes tipos de algoritmo:

• Algoritmos de clasificación , que predicen una o más variables discretas, basándose en los demás atributos del conjunto de datos.

• Algoritmos de regresión , que predicen una o más variables numéricas continuas, como pérdidas o ganancias, basándose en otros atributos del conjunto de datos.

• Algoritmos de segmentación , que dividen los datos en grupos, o clústeres, de elementos que tienen propiedades similares.

• Algoritmos de asociación , que buscan correlaciones entre diferentes atributos de un conjunto de datos. La aplicación más común de esta clase de algoritmo es la creación de reglas de asociación, que pueden usarse en un análisis de la cesta de compra.

• Losalgoritmos de análisis de secuencias resumen las secuencias frecuentes o episodios en los datos, como una serie de clics en un sitio web o una serie de eventos de registro que preceden al mantenimiento del equipo.

Sin embargo, no hay ninguna razón por la que deba limitarse a un algoritmo en sus soluciones. Los analistas experimentados usarán a veces un algoritmo para determinar las entradas más eficaces (es decir, variables) y luego aplicarán un algoritmo diferente para predecir un resultado concreto basado en esos datos. SQL Server minería de datos permite crear varios modelos en una única estructura de minería de datos, por lo que dentro de una única solución de minería de datos podría usar un algoritmo de agrupación en clústeres, un modelo de árboles de decisión y un modelo Bayes naïve para obtener vistas diferentes sobre los datos. También puede usar varios algoritmos en una única solución para realizar tareas independientes (por ejemplo, puede usar la regresión para obtener previsiones financieras, o bien un algoritmo de red neuronal para realizar un análisis de los factores que influyen en las previsiones).

Elegir un algoritmo por tarea

Con el fin de ayudarle a seleccionar un algoritmo para su uso con una tarea específica, la tabla siguiente proporciona sugerencias para los tipos de tareas para las que se usa normalmente cada algoritmo.

Contenido relacionado

En la sección siguiente se proporcionan vínculos a recursos de aprendizaje para cada uno de los algoritmos de minería de datos que se proporcionan en SQL Server Minería de datos:

• Descripción básica del algoritmo: explica qué hace el algoritmo y cómo funciona, y describe los posibles escenarios empresariales en los que el algoritmo podría ser útil.

  • Algoritmo de asociación de Microsoft

  • Algoritmo de clústeres de Microsoft

  • Algoritmo de árboles de decisión de Microsoft

  • Algoritmo de regresión lineal de Microsoft

  • Algoritmo de regresión logística de Microsoft

  • Microsoft Naive Bayes Algorithm

  • Microsoft Neural Network Algorithm

  • Algoritmo de clústeres de secuencia de Microsoft

  • Algoritmo de serie temporal de Microsoft

• Referencia técnica: proporciona detalles técnicos sobre la implementación del algoritmo, con referencias académicas según sea necesario. Muestra los parámetros que pueden establecerse para controlar el comportamiento del algoritmo y personalizar los resultados en el modelo. Describe los requisitos de los datos y proporciona sugerencias de rendimiento si es posible.

  • Referencia técnica del algoritmo de asociación de Microsoft

  • Referencia técnica del algoritmo de clústeres de Microsoft

  • Referencia técnica del algoritmo de árboles de decisión de Microsoft

  • Referencia técnica del algoritmo de regresión lineal de Microsoft

  • Referencia técnica del algoritmo de regresión logística de Microsoft

  • Referencia técnica del algoritmo Bayes naive de Microsoft

  • Referencia técnica del algoritmo de red neuronal de Microsoft

  • Referencia técnica del algoritmo de clústeres de secuencia de Microsoft

  • Microsoft Time Series Algorithm Technical Reference

• Contenido del modelo: explica cómo se estructura la información dentro de cada tipo de modelo de minería de datos y se explica cómo interpretar la información almacenada en cada uno de los nodos.

  • Contenido del modelo de minería de datos para los modelos de asociación (Analysis Services - Minería de datos)

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

  • Contenido del modelo de minería de datos para los modelos de árboles de decisión (Analysis Services - Minería de datos)

  • Contenido del modelo de minería de datos para los modelos de regresión lineal (Analysis Services - Minería de datos)

  • Contenido del modelo de minería de datos para los modelos de regresión logística (Analysis Services - Minería de datos)

  • Contenido del modelo de minería de datos para los modelos Bayes naive (Analysis Services - Minería de datos)

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

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

  • Contenido del modelo de minería de datos para los modelos de serie temporal (Analysis Services - Minería de datos)

• Consultas de minería de datos: proporciona varias consultas que puede usar con cada tipo de modelo. Los ejemplos incluyen consultas de contenido que le proporcionan más información sobre los patrones del modelo, así como consultas de predicción para ayudarle a crear predicciones basadas en esos patrones.

  • Ejemplos de consultas del modelo de asociación

  • Ejemplos de consultas de modelos de agrupación en clústeres

  • Ejemplos de consultas de modelos de árboles de decisión

  • Ejemplos de consultas de modelos de regresión lineal

  • Ejemplos de consultas de modelos de regresión logística

  • Ejemplos de consultas del modelo Bayes naive

  • Ejemplos de consultas de modelos de red neuronal

  • Ejemplos de consultas de modelos de clústeres de secuencia

  • Ejemplos de consultas de modelos de serie temporal|

Related Tasks

Consulte también

Herramientas de minería de datos