Проверка моделей интеллектуального анализа данных

Можно использовать вкладку Диаграмма точности интеллектуального анализа данных конструктора интеллектуального анализа данных, чтобы проверить точность и сравнить прогнозирующие возможности моделей интеллектуального анализа в структуре интеллектуального анализа данных. Это полезно при выборе подходящего алгоритма или настройки параметров конкретного алгоритма.

Проверка — это важный шаг в процессе интеллектуального анализа данных. Знать то, насколько хорошо работает с реальными данными используемая модель интеллектуального анализа, важно еще до того, как модель будет развернута в производственной среде. Дополнительные сведения о том, как проверка моделей применяется в более общих процессах интеллектуального анализа данных, см. в разделе Основные понятия интеллектуального анализа данных.

Средства проверки

Вкладка Диаграмма точности интеллектуального анализа данных содержит следующие средства, используемые при проверке моделей интеллектуального анализа:

• Диаграмма точности предсказаний;
• Матрица классификации.

Диаграмма точности предсказаний

Диаграмма точности предсказаний создается путем построения графика по результатам прогнозирующих запросов из проверочного набора данных относительно известных значений прогнозируемых столбцов, присутствующих в наборе. Ниже приведен пример такой диаграммы.

Диаграмма отображает линию результатов модели интеллектуального анализа, вместе с двумя другими: одна линия представляет результаты работы идеальной модели, с совершенными безошибочными прогнозами, а другая — результаты случайного выбора. Результаты реальных моделей окажутся где-то между идеальными и случайными. Любое улучшение по сравнению с линией случайного выбора называется точностью предсказаний (lift), и чем большую точность предсказаний демонстрирует модель, тем она эффективнее.

Диаграммы точности предсказаний, которые строятся на основе непрерывных прогнозируемых атрибутов, — это точечные диаграммы, а не графики.

Чтобы построить диаграмму точности предсказаний, нужно следующее:

• одна или несколько обученных моделей интеллектуального анализа данных;
• входной набор данных, содержащий значение прогнозируемого столбца;
• сопоставление входных данных со структурой модели интеллектуального анализа.

Дополнительные сведения Раздел руководства по вкладке «Диаграмма точности интеллектуального анализа», Сопоставления столбцов (диаграмма точности предсказаний), Диаграмма точности предсказаний.

В начало

Матрица классификации

Вкладка Матрица классификации предлагает иной путь выяснения того, насколько точны прогнозы моделей интеллектуального анализа в пределах структуры. Матрица классификации строится на основе сравнения действительных значений, существующих в проверочном наборе данных, с теми, что прогнозируются моделью интеллектуального анализа. Матрица представляет собой полезный инструмент, поскольку она не только отображает, как часто модель прогнозировала верное значение, но и какие значения чаще всего прогнозируются неправильно.

Например, рассмотрим случай, когда модель была построена для прогнозирования типа членской карточки, которой пользуются покупатели в продуктовом магазине. Карточки бывают трех типов: бронзовые, серебряные и золотые. Следующая таблица — это представление матрицы классификации для модели, которая прогнозирует тип членской карточки на базе данных, где этот тип известен.

Значения, которые находятся на диагонали из верхнего левого в правый нижний угол матрицы, дают верное число значений, которые действительно присутствуют в проверочном наборе данных. Столбцы матрицы представляют элементы, которые были спрогнозированы в тестовом наборе данных. Строки представляют действительное состояние атрибута в том виде, в котором он имеется в проверочном наборе данных.

Например, рассмотрим, как модель интеллектуального анализа данных прогнозирует заказчиков с бронзовой карточкой. Значение на пересечении строки и столбца для бронзы представляет действительное число заказчиков с бронзовыми карточками в проверочной базе данных. Значение на пересечении столбца для серебра и строки для бронзы представляет собой число случаев, в которых было неверно спрогнозировано серебро, в то время как на самом деле это была бронза. Число неверно спрогнозированных значений для бронзы будет суммой пересечений столбца для бронзы со строками для серебра и золота. Анализ других типов карточек аналогичен приведенному.

Дополнительные сведенияРаздел руководства по вкладке «Диаграмма точности интеллектуального анализа», Сопоставления столбцов (диаграмма точности предсказаний), Матрица классификации.

В начало

См. также

Основные понятия

Использование средств интеллектуального анализа данных
Основные понятия интеллектуального анализа данных
Работа с интеллектуальным анализом данных

Другие ресурсы

Раздел руководства по вкладке «Диаграмма точности интеллектуального анализа»

Справка и поддержка

Получение помощи по SQL Server 2005