Microsoft Naive Bayes Algorithm

적용 대상: SQL Server 2019 및 이전 Analysis Services Azure Analysis Services Fabric/Power BI Premium

Microsoft Naive Bayes 알고리즘은 Bayes의 정리를 기반으로 하는 분류 알고리즘이며 예비 모델링과 예측 모델링 모두에 사용할 수 있습니다. Naïve Bayes라는 이름의 naïve는 이 알고리즘이 Bayes 기술을 사용하지만 있을 수 있는 종속성을 고려하지 않는다는 사실에서 비롯된 것입니다.

이 알고리즘은 다른 Microsoft 알고리즘보다 계산 강도가 낮으므로 마이닝 모델을 빠르게 생성하여 입력 열과 예측 가능한 열 간의 관계를 검색하는 데 유용합니다. 이 알고리즘을 사용하여 초기 데이터 탐색을 수행한 후 나중에 그 결과를 적용하여 보다 복잡하고 정확한 다른 알고리즘으로 추가 마이닝 모델을 만들 수 있습니다.

예제

진행 중인 홍보 행사 전략의 하나로 Adventure Works Cycle사의 마케팅 부서는 우편으로 전단지를 보내 잠재 고객을 공략하기로 결정했습니다. 비용을 줄이기 위해 응답 가능성이 큰 고객에게만 전단지를 보내려고 합니다. 회사는 인구 통계 및 이전 우편물에 대한 응답 정보를 데이터베이스에 저장합니다. 이 데이터를 사용하여 특징이 유사하고 과거에 회사 제품을 구매한 고객과 잠재 고객을 비교하여 연령 및 위치와 같은 인구 통계가 홍보 행사에 대한 응답을 예측하는 데 얼마나 도움이 되는지 확인하려고 합니다. 특히 자전거를 구입한 고객과 구입하지 않은 고객의 차이점을 찾으려고 합니다.

마케팅 부서는 Microsoft Naive Bayes 알고리즘을 사용하여 특정 고객 프로필에 대한 결과를 신속하게 예측할 수 있으므로 전단지에 응답할 가능성이 가장 높은 고객을 결정할 수 있습니다. SQL Server Data Tools Microsoft Naive Bayes Viewer를 사용하여 전단지에 대한 긍정적인 응답에 기여하는 입력 열을 구체적으로 조사할 수도 있습니다.

알고리즘 작동 방법

Microsoft Naive Bayes 알고리즘은 예측 가능한 열의 가능한 각 상태를 고려하여 각 입력 열의 모든 상태 확률을 계산합니다.

이 작동 방식을 이해하려면 다음 그래픽과 같이 SQL Server Data Tools Microsoft Naive Bayes Viewer를 사용하여 알고리즘이 상태를 배포하는 방법을 시각적으로 탐색합니다.

여기서 Microsoft Naive Bayes Viewer는 데이터 세트의 각 입력 열을 나열하고 예측 가능한 열의 각 상태를 고려하여 각 열의 상태를 분산하는 방법을 보여 줍니다.

모델의 이 뷰를 사용하여 예측 가능한 열의 상태를 차별화하는 데 중요한 입력 열을 식별할 수 있습니다.

예를 들어 여기에 표시된 Commute Distance에 대한 행에서 입력 값의 분포는 구매자와 비구매자가 다릅니다. 이를 통해 Commute Distance = 0-1마일이라는 입력은 잠재적인 예측 요인이라는 사실을 알 수 있습니다.

뷰어에서는 분포에 대한 값도 제공하므로 1-2마일 거리를 통근하는 고객의 경우 자전거를 구입할 확률이 0.387인 반면 자전거를 구입하지 않을 확률은 0.287이라는 것도 확인할 수 있습니다. 이 예에서 알고리즘은 통근 거리와 같은 고객 특징에서 파생된 숫자 정보를 사용하여 고객의 자전거 구입 여부를 예측합니다.

Microsoft Naive Bayes 뷰어 사용에 대한 자세한 내용은 Microsoft Naive Bayes 뷰어를 사용하여 모델 찾아보기를 참조하세요.

Naive Bayes 모델에 필요한 데이터

Naive Bayes 모델을 학습하는 데 사용할 데이터를 준비할 때는 필요한 데이터의 양과 사용법을 비롯하여 해당 알고리즘의 요구 사항을 알고 있어야 합니다.

Naive Bayes 모델의 요구 사항은 다음과 같습니다.

• 단일 키 열 각 모델은 각 레코드를 고유하게 식별하는 숫자 또는 텍스트 열을 하나 포함해야 합니다. 복합 키는 사용할 수 없습니다.

• 입력 열 Naive Bayes 모델에서는 모든 열이 불연속이거나 값이 범주화된 상태여야 합니다. (bin) 열을 불연속화하는 방법에 대한 자세한 내용은 불연속화 메서드(데이터 마이닝)를 참조하세요.

• 변수는 독립적이어야 합니다. Naive Bayes 모델의 경우 입력 특성이 서로 독립적인지도 확인해야 합니다. 이는 예측을 위해 이 모델을 사용하는 경우에 특히 중요합니다. 이미 밀접하게 관련된 두 열의 데이터를 사용하는 경우 두 열의 영향이 확대되므로 결과에 영향을 미치는 다른 요인이 불명확해질 수 있습니다.

  반대로 이 알고리즘에서 변수 간의 상관 관계를 식별하는 기능은 입력 간의 관계를 식별하기 위해 모델이나 데이터 세트를 탐색하는 경우에 유용합니다.

• 하나 이상의 예측 가능한 열 예측 가능한 특성에는 불연속 값 또는 불연속화된 값이 포함되어야 합니다.

  예측 가능한 열의 값은 입력으로 처리할 수 있습니다. 이 방법은 열 간의 관계를 찾기 위해 새 데이터 세트를 탐색하는 경우에 유용할 수 있습니다.

모델 보기

Microsoft Naive Bayes 뷰어를 사용하여 모델을 탐색할 수 있습니다. 이 뷰어에서는 입력 특성과 예측 가능한 특성의 관계를 보여 줍니다. 또한 뷰어에서는 각 클러스터에 대한 자세한 프로필, 각 클러스터를 다른 클러스터와 구별하게 해 주는 특성 목록 및 전체 학습 데이터 집합의 특성도 제공합니다. 자세한 내용은 Microsoft Naive Bayes 뷰어를 사용하여 모델 찾아보기를 참조하세요.

자세한 내용을 알고 싶다면 Microsoft 일반 콘텐츠 트리 뷰어(데이터 마이닝)에서 모델을 찾아볼 수 있습니다. 모델에 저장된 정보 유형에 대한 자세한 내용은 Naive Bayes 모델용 마이닝 모델 콘텐츠(Analysis Services - 데이터 마이닝)를 참조하세요.

예측

모델을 학습한 후에는 그 결과가 일련의 패턴으로 저장되며 이러한 패턴을 탐색하거나 사용하여 예측을 만들 수 있습니다.

새 데이터와 예측 가능한 특성의 관계에 대한 예측을 반환하는 쿼리를 만들거나 모델에서 발견된 상관 관계를 설명하는 통계를 검색할 수 있습니다.

데이터 마이닝 모델에 대한 쿼리를 만드는 방법에 대한 자세한 내용은 데이터 마이닝 쿼리를 참조하세요. Naive Bayes 모델에서 쿼리를 사용하는 방법의 예는 Naive Bayes 모델 쿼리 예제를 참조하세요.

설명

• PMML(Predictive Model Markup Language)을 사용하여 마이닝 모델을 만들 수 있습니다.

• 드릴스루를 지원합니다.

• 데이터 마이닝 차원의 생성은 지원하지 않습니다.

• OLAP 마이닝 모델의 사용을 지원합니다.

참고 항목

데이터 마이닝 알고리즘(Analysis Services - 데이터 마이닝)
기능 선택(데이터 마이닝)
Naive Bayes 모델 쿼리 예제
Naive Bayes 모델에 대한 마이닝 모델 콘텐츠(Analysis Services - 데이터 마이닝)
Microsoft Naive Bayes 알고리즘 기술 참조