Interrogation d'un modèle de régression logistique (Analysis Services - Exploration de données)

En interrogeant l'ensemble de lignes de schéma d'exploration de données, vous pouvez rechercher les métadonnées relatives au modèle, par exemple sa date de création, le moment où il a été traité pour la dernière fois, le nom de la structure d'exploration de données sur laquelle il est basé et le nom de la colonne utilisée comme attribut prévisible. L'exemple suivant retourne les paramètres utilisés lorsque le modèle a été créé, ainsi que le nom et le type du modèle et sa date de création.

SELECT MODEL_NAME, SERVICE_NAME, DATE_CREATED, MINING_PARAMETERS 
FROM $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'Call Center_LR'

Exemples de résultats :

Retour en haut

La requête suivante retourne des informations de base relatives au modèle de régression logistique. Un modèle de régression logistique est à bien des égards semblable à un modèle de réseau neuronal, y compris en ce qui concerne la présence d'un nœud statistique marginal (NODE_TYPE = 24), qui décrit les valeurs utilisées comme entrées. Cet exemple de requête utilise le modèle de publipostage ciblé et obtient les valeurs de toutes les entrées possibles en les récupérant de la table imbriquée, NODE_DISTRIBUTION.

SELECT FLATTENED NODE_DISTRIBUTION AS t
FROM [TM_Logistic Regression].CONTENT 

Résultats partiels :

La requête réelle retourne beaucoup plus de lignes. Toutefois, cet exemple illustre le type d'informations fournies à propos des entrées. Par exemple, chaque valeur possible pour une valeur discrète est répertoriée dans la table, alors que les entrées continues sont discrétisées. Pour plus d'informations sur l'utilisation des informations du nœud de statistiques marginales, consultez Contenu du modèle d'exploration de données pour les modèles de régression logistique (Analysis Services - Exploration de données).

Retour en haut

Il est facile de créer des modèles qui mettent en corrélation différents facteurs dans vos données, car la régression logistique prend en charge l'utilisation d'attributs continus à la fois pour les entrées et la prédiction. Vous pouvez utiliser des requêtes de prédiction pour explorer la relation entre ces facteurs.

L'exemple de requête suivant est basé sur le modèle Call Center et crée une requête singleton qui prédit le niveau de service pour l'équipe du vendredi matin. La fonction PredictHistogram (DMX) retourne une table imbriquée qui fournit des statistiques pertinentes pour comprendre la validité de la valeur prédite.

SELECT
  Predict([Call Center_LR].[Service Grade]) as Predicted ServiceGrade,
  PredictHistogram([Call Center_LR].[Service Grade]) as [Results],
FROM
  [Call Center_LR]
NATURAL PREDICTION JOIN
(SELECT 'Friday' AS [Day Of Week],
  'AM' AS [Shift]) AS t

Exemples de résultats :

Pour plus d'informations sur les valeurs de probabilité, de support et d'écart type dans la table imbriquée NODE_DISTRIBUTION, consultez Contenu du modèle d'exploration de données pour les modèles de régression logistique (Analysis Services - Exploration de données).

Retour en haut

La régression logistique est généralement utilisée dans les scénarios où vous souhaitez analyser les facteurs qui contribuent à un résultat binaire. Bien que le modèle d'origine utilisé dans le Didacticiel intermédiaire prédise une valeur continue, Service Grade, vous préférerez peut-être le définir, dans un scénario réel, pour qu'il prédise que le niveau de service va atteindre une valeur cible discrète. Vous pouvez également effectuer les prédictions à l'aide de valeurs continues, puis grouper les résultats prédits en Bon, Correct, ou Médiocre.

L'exemple suivant illustre comment modifier la manière dont l'attribut prévisible est groupé. Pour ce faire, vous faites une copie de la structure d'exploration de données puis modifiez la méthode de discrétisation de la colonne cible. La procédure suivante décrit comment modifier le regroupement des valeurs Service Grade dans les données du centre d'appels.

Pour créer une version discrétisée des modèles et de la structure d'exploration de données de centre d'appels

L'exemple de requête suivant est basé sur ce modèle discrétisé, et prédit le niveau de service pour le jour de la semaine spécifié, ainsi que les probabilités pour chaque résultat prédit.

SELECT
  (PredictHistogram([Call Center_LR 1].[Service Grade])) as [Predictions]
FROM
  [Call Center_LR 1]
NATURAL PREDICTION JOIN
(SELECT 'Saturday' AS [Day Of Week]) AS t  

Résultats attendus :

Notez que les résultats prédits ont été regroupés en trois catégories, comme spécifié ; toutefois, ces regroupements sont basés sur le clustering de valeurs réelles des données, et non sur des valeurs arbitraires que vous pouvez définir comme objectifs professionnels.

Retour en haut