Consultando um modelo de regressão logística (Analysis Services – Mineração de Dados)

Ao consultar o conjunto de linhas do esquema de mineração de dados, você encontra metadados sobre o modelo, como quando ele foi criado, a última vez em que foi processado, o nome da estrutura de mineração na qual o modelo é baseado e o nome da coluna usada como atributo previsível. O exemplo a seguir retorna os parâmetros usados quando o modelo foi criado, junto com o nome e o tipo de modelo, além da data de criação.

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

Resultados do exemplo:

Voltar ao início

A consulta a seguir retorna algumas informações básicas sobre o modelo de regressão logística. Um modelo de regressão logística é semelhante a um modelo de rede neural em muitos aspectos, inclusive a presença de um nó de estatísticas marginais (NODE_TYPE = 24) que descreve os valores usados como entradas. Esta consulta de exemplo usa o modelo Endereçamento de Destino e obtém os valores de todas as entradas possíveis ao recuperá-las da tabela aninhada, NODE_DISTRIBUTION.

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

Resultados parciais:

A consulta real retorna muito mais linhas; no entanto, este exemplo demonstra o tipo de informações fornecidas sobre as entradas. Por exemplo, cada valor possível para um valor discreto é listado na tabela, enquanto as entradas contínuas são diferenciadas. Para obter mais informações sobre como usar as informações no nó de estatísticas marginais, consulte Conteúdo do modelo de mineração para modelos de regressão logística (Analysis Services – Mineração de Dados).

Observação
Os resultados foram simplificados para facilitar a visualização, mas você poderá retornar a tabela aninhada para uma única coluna se seu provedor oferecer suporte a conjuntos de linhas hierárquicos. Para obter mais informações, consulte Conjuntos de Linhas Hierárquicos (em inglês) no Guia do Programador OLE DB.

Voltar ao início

Como a regressão logística dá suporte ao uso de atributos contínuos para entrada e previsão, é fácil criar modelos que correlacionam vários fatores nos seus dados. Você pode usar consultas de previsão para explorar a relação entre esses fatores.

O exemplo de consulta a seguir é baseado no modelo de Call Center e cria uma consulta singleton que prevê o nível de serviço do turno matutino da sexta-feira. A função PredictHistogram (DMX) retorna uma tabela aninhada que fornece estatísticas relevantes para a compreensão da validade do valor previsto.

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

Resultados do exemplo:

Para obter mais informações sobre a probabilidade, o suporte e os valores de desvio padrão na tabela NODE_DISTRIBUTION aninhada, consulte Conteúdo do modelo de mineração para modelos de regressão logística (Analysis Services – Mineração de Dados).

Voltar ao início

A regressão logística é normalmente usada nos cenários em que você deseja analisar os fatores que contribuem para um resultado binário. Embora o modelo original usado no tutorial intermediário preveja um valor contínuo, Nível de Serviço, em um cenário real, talvez você deseje prever se o nível de serviço atende a algum valor de destino discreto. Como alternativa, você pode produzir as previsões usando valores contínuos e depois agrupar os resultados previstos como Bom, Razoável ou Fraco.

O exemplo a seguir ilustra como alterar a forma como o atributo previsível é agrupado. Para fazer isso, crie uma cópia da estrutura de mineração e altere o método de discretização da coluna de destino. O procedimento a seguir descreve como alterar o agrupamento de valores de Service Grade nos dados do Call Center.

Para criar uma versão de dados discretos da estrutura e dos modelos de mineração do Call Center

A consulta de exemplo a seguir se baseia nesse modelo de dados discretos e prevê o nível de serviço para o dia da semana especificado, bem como as probabilidades de cada resultado previsto.

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  

Resultados esperados:

Observe que os resultados previstos foram agrupados em três categorias conforme especificado; entretanto, esses agrupamentos se baseiam no clustering dos valores reais dos dados, não dos valores arbitrários que você possa definir como metas de negócios.

Voltar ao início