Contenu du modèle d'exploration de données pour les modèles de régression logistique (Analysis Services - Exploration de données)

Présentation de la structure d'un modèle de régression logistique

Un modèle de régression logistique est créé en utilisant l'algorithme MNN (Microsoft Neural Network) avec les paramètres qui contraignent le modèle à éliminer le nœud masqué. Par conséquent, la structure globale d'un modèle de régression logistique est presque identique à celle d'un réseau neuronal : chaque modèle a un nœud parent unique qui représente le modèle et ses métadonnées, et un nœud de statistiques marginales spécial (NODE_TYPE = 24) qui fournit des statistiques descriptives sur les entrées utilisées dans le modèle.

En outre, le modèle contient un sous-réseau (NODE_TYPE = 17) pour chaque attribut prévisible. Tout comme dans un modèle de réseau neuronal, chaque sous-réseau comporte toujours deux branches : une pour la couche d'entrée, et une autre branche qui contient la couche masquée (NODE_TYPE = 19) et la couche de sortie (NODE_TYPE = 20) du réseau. Le même sous-réseau peut être utilisé pour plusieurs attributs s’ils sont spécifiés comme prédits uniquement. Les attributs prévisibles qui sont également des entrées ne peuvent pas apparaître dans le même sous-réseau.

Toutefois, le nœud qui représente la couche masquée est vide dans un modèle de régression logistique, et n'a pas d'enfants. Par conséquent, le modèle contient des nœuds qui représentent des sorties individuelles (NODE_TYPE = 23) et des entrées individuelles (NODE_TYPE = 21), mais aucun nœud masqué individuel.

Par défaut, un modèle de régression logistique est affiché dans la Visionneuse de l'algorithme MNN (Microsoft Neural Network). Avec cette visionneuse personnalisée, vous pouvez filtrer les attributs d'entrée et leurs valeurs, et consulter des graphiques qui illustrent comment ils affectent les sorties. Les info-bulles de la visionneuse montrent la probabilité et l’élévation associées à chaque paire de valeurs d'entrée et de sortie. Pour plus d'informations, consultez Affichage d'un modèle d'exploration de données à l'aide de la Visionneuse de l'algorithme MNN (Microsoft Neural Network).

Pour explorer la structure des entrées et des sous-réseaux, et pour consulter des statistiques détaillées, vous pouvez utiliser la Visionneuse de l'arborescence de contenu générique Microsoft. Vous pouvez cliquer sur n'importe quel nœud pour le développer et voir les nœuds enfants, ou consulter les poids et autres statistiques contenues dans le nœud.

Contenu d’un modèle de régression logistique

Cette section fournit des informations et des exemples ayant trait uniquement aux colonnes du contenu du modèle d'exploration de données se rapportant à la régression logistique. Le contenu du modèle est presque identique à celui d'un modèle de réseau neuronal, mais les descriptions qui s'appliquent aux modèles de réseau neuronal peuvent être répétées dans cette table pour des questions de commodité.

Pour plus d'informations sur les colonnes à caractère général de l'ensemble de lignes du schéma, telles que MODEL_CATALOG et MODEL_NAME, non décrites ici, ou pour obtenir des explications sur la terminologie relative aux modèles d'exploration de données, consultez Contenu du modèle d'exploration de données (Analysis Services - Exploration de données).

• MODEL_CATALOG
  Nom de la base de données où le modèle est stocké.

• MODEL_NAME
  Nom du modèle.

• ATTRIBUTE_NAME
  Noms de l’attribut correspondant à ce nœud.

  Nœud	Contenu
  Racine du modèle	Vide
  Statistiques marginales	Vide
  Couche d'entrée	Vide
  Nœud d'entrée	Nom d'attribut d'entrée
  Couche masquée	Vide
  Couche de sortie	Vide
  Nœud de sortie	Nom d'attribut de sortie

• NODE_NAME
  Nom du nœud. Actuellement, cette colonne contient la même valeur que NODE_UNIQUE_NAME, bien que cela puisse changer dans les versions ultérieures.

• NODE_UNIQUE_NAME
  Nom unique du nœud.

  Pour plus d'informations sur la façon dont les noms et ID fournissent des informations structurelles à propos du modèle, consultez la section Utilisation de noms de nœud et ID.

• NODE_TYPE
  Un modèle de régression logistique génère les types de nœud suivants :

  ID du type de nœud	Description
  1	Modèle.
  17	Nœud organisateur pour le sous-réseau.
  18	Nœud organisateur pour la couche d'entrée.
  19	Nœud organisateur pour la couche masquée. La couche masquée est vide.
  20	Nœud organisateur pour la couche de sortie.
  21	Nœud d'attribut d'entrée.
  23	Nœud d'attribut de sortie.
  24	Nœud de statistiques marginales.

• NODE_CAPTION
  Étiquette ou légende associée au nœud. Dans les modèles de régression logistique, toujours vide.

• CHILDREN_CARDINALITY
  Estimation du nombre d'enfants du nœud.

  Nœud	Contenu
  Racine du modèle	Indique le nombre de nœuds enfants, qui inclut au moins un réseau, un nœud marginal requis et une couche d'entrée requise. Par exemple, si la valeur est égale à 5, il y a trois sous-réseaux.
  Statistiques marginales	Toujours 0.
  Couche d'entrée	Indique le nombre de paires de valeurs/attributs d'entrée utilisées par le modèle.
  Nœud d'entrée	Toujours 0.
  Couche masquée	Dans un modèle de régression logistique, toujours 0.
  Couche de sortie	Indique le nombre de valeurs de sortie.
  Nœud de sortie	Toujours 0.

• PARENT_UNIQUE_NAME
  Nom unique du parent du nœud. La valeur NULL est retournée pour tous les nœuds situés au niveau de la racine.

  Pour plus d'informations sur la façon dont les noms et ID fournissent des informations structurelles à propos du modèle, consultez la section Utilisation de noms de nœud et ID.

• NODE_DESCRIPTION
  Description conviviale du nœud.

  Nœud	Contenu
  Racine du modèle	Vide
  Statistiques marginales	Vide
  Couche d'entrée	Vide
  Nœud d'entrée	Nom d'attribut d'entrée
  Couche masquée	Vide
  Couche de sortie	Vide
  Nœud de sortie	Si l'attribut de sortie est continu, contient le nom de l'attribut de sortie. Si l'attribut de sortie est discret ou discrétisé, contient le nom de l'attribut et la valeur.

• NODE_RULE
  Description XML de la règle incorporée dans le nœud.

  Nœud	Contenu
  Racine du modèle	Vide
  Statistiques marginales	Vide
  Couche d'entrée	Vide
  Nœud d'entrée	Fragment XML qui contient les mêmes informations que la colonne NODE_DESCRIPTION.
  Couche masquée	Vide
  Couche de sortie	Vide
  Nœud de sortie	Fragment XML qui contient les mêmes informations que la colonne NODE_DESCRIPTION.

• MARGINAL_RULE
  Dans les modèles de régression logistique, toujours vide.

• NODE_PROBABILITY
  Probabilité associée à ce nœud. Dans les modèles de régression logistique, toujours 0.

• MARGINAL_PROBABILITY
  Probabilité d'accès au nœud à partir du nœud parent. Dans les modèles de régression logistique, toujours 0.

• NODE_DISTRIBUTION
  Table imbriquée qui contient des informations statistiques pour le nœud. Pour plus d'informations sur le contenu de cette table pour chaque type de nœud, consultez la section Présentation de la table NODE_DISTRIBUTION de Contenu du modèle d'exploration de données pour les modèles de réseau neuronal (Analysis Services - Exploration de données).

• NODE_SUPPORT
  Dans les modèles de régression logistique, toujours 0.

  Notes

  Les probabilités de prise en charge sont toujours égales à 0 parce que la sortie de ce type de modèle n'est pas probabiliste. Seuls les poids sont pertinents pour l'algorithme ; par conséquent, l'algorithme ne calcule pas la probabilité, la prise en charge ou l’écart.

  Pour recevoir des informations sur la prise en charge dans les cas d'apprentissage pour des valeurs spécifiques, consultez le nœud des statistiques marginales.

• MSOLAP_MODEL_COLUMN

  Nœud	Contenu
  Racine du modèle	Vide
  Statistiques marginales	Vide
  Couche d'entrée	Vide
  Nœud d'entrée	Nom d'attribut d'entrée.
  Couche masquée	Vide
  Couche de sortie	Vide
  Nœud de sortie	Nom d'attribut d'entrée.

• MSOLAP_NODE_SCORE
  Dans les modèles de régression logistique, toujours 0.

• MSOLAP_NODE_SHORT_CAPTION
  Dans les modèles de régression logistique, toujours vide.

Utilisation de noms de nœud et ID

La désignation des nœuds dans un modèle de régression logistique fournit des informations supplémentaires à propos des relations entre les nœuds du modèle. La table suivante présente les conventions pour les ID attribués aux nœuds dans chaque couche.

Vous pouvez utiliser ces ID pour déterminer comment les attributs de sortie sont liés aux attributs spécifiques de la couche d'entrée, en consultant la table NODE_DISTRIBUTION du nœud de sortie. Chaque ligne de cette table contient un ID qui renvoie à un nœud d'attribut d'entrée spécifique. La table NODE_DISTRIBUTION contient également le coefficient correspondant à cette paire entrée/sortie.

Voir aussi

Référence

Concepts