Explorar el modelo Bayes naive (Tutorial básico de minería de datos)
El algoritmo Bayes naive de Microsoft proporciona varios métodos para mostrar la interacción entre los atributos de entrada y la compra de bicicletas.
El Visor Bayes naive de Microsoft proporciona las siguientes pestañas para la exploración de modelos de minería de datos Bayes naive:
Red de dependencias
Perfiles del atributo
Características del atributo
Distinción del atributo
En las secciones siguientes se describe cómo explorar los demás modelos de minería de datos.
Red de dependencias
La pestaña Red de dependencias funciona igual que la pestaña Red de dependencias del Visor de árboles de Microsoft. Cada nodo del visor representa un atributo y las líneas entre los nodos representan relaciones. En el visor, puede ver todos los atributos que afectan al estado del atributo de predicción, Bike Buyer.
Para explorar el modelo en la pestaña Red de dependencias
Use la lista Modelo de minería de datos de la parte superior de la pestaña Visor de modelos de minería de datos para cambiar al modelo TM_NaiveBayes.
Use la lista Visor para cambiar a Visor Bayes naive de Microsoft.
Haga clic en el nodo Bike Buyer para identificar sus dependencias.
El sombreado rosa indica que todos los atributos influyen en la compra de bicicletas.
Ajuste el control deslizante para identificar el atributo más influyente.
A medida que baja el control deslizante, solamente permanecen los atributos que afectan en mayor medida a la columna [Bike Buyer]. Si ajusta el control deslizante, puede detectar que algunos de los atributos más influyentes son el número de automóviles que se posee, la distancia al lugar de trabajo y el número total de hijos.
Volver al principio
Perfiles del atributo
La ficha Perfiles del atributo describe la forma en que los diferentes estados de los atributos de entrada afectan al resultado del atributo de predicción.
Para explorar el modelo en la ficha Perfiles del atributo
En el cuadro De predicción, compruebe que se ha seleccionado Bike Buyer.
Si la Leyenda de minería de datos está bloqueando la presentación de los Perfiles del atributo, retírela.
En el cuadro de barras Histograma, seleccione 5.
En nuestro modelo, 5 es el número máximo de estados para cualquier variable.
Los atributos que afectan al estado de este atributo de predicción aparecen enumerados junto a los valores de cada estado de los atributos de entrada y sus distribuciones en cada estado del atributo de predicción.
En la columna Atributos, busque Number Cars Owned. Observe las diferencias en los histogramas de los compradores de bicicletas (la columna con la etiqueta 1) y los no compradores (la columna con la etiqueta 0). Una persona que no tenga automóvil o que tenga uno tiene mucha más probabilidad de comprar una bicicleta.
Haga doble clic en la celda Number Cars Owned en la columna de comprador de bicicletas (la columna con la etiqueta 1).
La Leyenda de minería de datos muestra una vista más detallada.
Volver al principio
Características del atributo
Mediante la ficha Características del atributo, puede seleccionar un atributo y un valor para ver la frecuencia con la que aparecen los valores de otros atributos en el caso de los valores seleccionados.
Para explorar el modelo en la ficha Características del atributo
En la lista Atributo, compruebe que Bike Buyer está seleccionado.
Establezca el Valor en 1.
En el visor, verá que los clientes que no tienen ningún hijo conviviendo con ellos, una distancia corta al trabajo y que viven en la región de Norteamérica tienen más probabilidad de comprar una bicicleta.
Volver al principio
Distinción del atributo
La ficha Distinción del atributo le permite examinar las relaciones entre dos valores discretos de la compra de una bicicleta y otros valores del atributo. Dado que el modelo TM_NaiveBayes solo tiene dos estados, 1 y 0, no tiene que hacer ningún cambio en el visor.
En el visor, podrá ver que las personas que no tienen un automóvil tienden a comprar bicicletas y las personas que tienen dos no suelen comprarlas.
Tarea anterior de la lección
Explorar el modelo de agrupación en clústeres (Tutorial básico de minería de datos)
Vea también