Consultar un modelo de regresión logística (Analysis Services - Minería de datos)

Al consultar el conjunto de filas de esquema de minería de datos, se pueden encontrar metadatos sobre el modelo, como cuándo se creó, cuándo se procesó por última vez, el nombre de la estructura de minería de datos en que se basa el modelo, y el nombre de la columna que se usa como atributo de predicción. El ejemplo siguiente devuelve los parámetros que se utilizaron cuando se creó por primera vez el modelo, junto con el nombre y el tipo del modelo, y la fecha en que se creó.

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

Resultados del ejemplo:

Volver al principio

La consulta siguiente devuelve información básica sobre el modelo de regresión logística. Un modelo de regresión logística es similar a un modelo de red neuronal en muchos sentidos, por ejemplo en la presencia de un nodo estadístico marginal (NODE_TYPE = 24) que describe los valores que se usan como entradas. En esta consulta de ejemplo se utiliza el modelo de distribución de correo directo y se obtienen los valores de todas las posibles entradas recuperándolos de la tabla anidada NODE_DISTRIBUTION.

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

Resultados parciales:

La consulta real devuelve muchas más filas; sin embargo, este ejemplo muestra el tipo de información que se proporciona sobre las entradas. Por ejemplo, cada valor posible de un valor discreto se muestra en la tabla, mientras que las entradas continuas son de datos discretos. Para obtener más información acerca de cómo utilizar la información en el nodo de estadísticas marginales, vea Contenido del modelo de minería de datos para los modelos de regresión logística (Analysis Services - Minería de datos).

Volver al principio

Dado que la regresión logística admite el uso de atributos continuos tanto para entrada como para predicción, es fácil crear modelos que pongan en correlación diversos factores de los datos. Puede utilizar las consultas de predicción para explorar la relación entre estos factores.

El ejemplo de consulta siguiente está basado en el modelo Call Center y crea una consulta singleton que predice el grado de servicio para el turno de la mañana del viernes. La función PredictHistogram (DMX) devuelve una tabla anidada que proporciona las estadísticas pertinentes para conocer la validez del 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 del ejemplo:

Para obtener más información acerca de los valores de probabilidad, compatibilidad y desviación estándar en la tabla anidada NODE_DISTRIBUTION, vea Contenido del modelo de minería de datos para los modelos de regresión logística (Analysis Services - Minería de datos).

Volver al principio

La regresión logística se suele usar en escenarios en los que se desea analizar los factores que contribuyen a un resultado binario. Aunque el modelo original utilizado en el tutorial intermedio predice un valor continuo, grado de servicio, en la vida real podría ser deseable predecir si el grado de servicio cumple un valor de destino discreto. También se podrían generar las predicciones utilizando valores continuos para después agrupar los resultados previstos en Buenos, Aceptables o Malos.

En el siguiente ejemplo se muestra cómo cambiar la manera en que se agrupa el atributo predecible. Para ello, debe realizar una copia de la estructura de minería de datos y, a continuación, cambiar el método de discretization de la columna de destino. En el siguiente procedimiento se describe cómo cambiar la agrupación de los valores de Service Grade en los datos del centro de llamadas.

Para crear una versión de datos discretos de los modelos y la estructura de minería de datos del centro de llamadas

La consulta de ejemplo siguiente se basa en este modelo de datos discretos y predice el grado de servicio para el día especificado de la semana, junto con las 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 los resultados previstos se han agrupado en tres categorías según se ha especificado; no obstante, estos agrupamientos se basan en la agrupación en clústeres de los valores reales de los datos, no de los valores arbitrarios que puedan establecerse como objetivos empresariales.

Volver al principio