Partager via

  • Article

Exploration du modèle Naive Bayes (Didacticiel sur l'exploration de données de base)

L'algorithme Microsoft Naive Bayes fournit plusieurs méthodes pour afficher l'interaction entre l'achat de vélos et les attributs d'entrée.

La Visionneuse Microsoft Naive Bayes fournit les onglets suivants pour explorer les modèles d'exploration de données Naive Bayes :

Réseau de dépendances

Profils d'attribut

Caractéristiques d'attribut

Discrimination d'attribut

Les sections qui suivent décrivent comment explorer les autres modèles d'exploration de données.

Réseau de dépendances

L'onglet Réseau de dépendances fonctionne de la même façon que l'onglet Réseau de dépendances de la visionneuse d'arborescences Microsoft. Chaque nœud dans la visionneuse représente un attribut et les lignes entre les nœuds représentent des relations. Dans la visionneuse, vous pouvez voir tous les attributs qui ont une incidence sur l'état de l'attribut prédictible Bike Buyer.

Pour explorer le modèle sous l'onglet Réseau de dépendances

  1. Utilisez la liste Modèle d'exploration de données en haut de l'onglet Visionneuse de modèle d'exploration de données pour basculer vers le modèle TM_NaiveBayes.

  2. Utilisez la liste Visionneuse pour basculer vers la Visionneuse de l'algorithme MNB (Microsoft Naive Bayes).

  3. Cliquez sur le nœud Bike Buyer pour identifier ses dépendances.

    L'ombrage rose indique que tous les attributs ont des répercussions sur l'achat de vélos.

  4. Ajustez le curseur pour identifier l'attribut le plus influent.

    Si vous faites glisser le curseur vers le bas, seuls les attributs qui ont la plus grande incidence sur la colonne [Bike Buyer] restent affichés. En ajustant le curseur, vous pouvez constater que les attributs les plus influents sont : le nombre de voitures possédées, la distance domicile-travail, et le nombre total d'enfants.

Retour en haut

Profils d'attribut

L'onglet Profils d'attribut décrit comment les différents états des attributs d'entrée affectent le résultat de l'attribut prédictible.

Pour explorer le modèle sous l'onglet Profils d'attribut

  1. Dans la zone Prédictible, vérifiez si Bike Buyer est sélectionné.

  2. Si Légende d'exploration de données bloque l'affichage des Profils d'attribut, déplacez-le.

  3. Dans la zone de barres Histogramme, sélectionnez 5.

    Dans notre modèle, 5 est le nombre maximal d'états pour toute variable.

    Les attributs qui affectent l'état de cet attribut prédictible sont présentés avec les valeurs de chaque état des attributs d'entrée et avec leurs distributions dans chaque état de l'attribut prédictible.

  4. Dans la colonne Attributs, recherchez Number Cars Owned. Remarquez les différences dans les histogrammes pour les acheteurs de vélo (colonne intitulée 1) et les non-acheteurs (colonne intitulée 0). Une personne avec zéro ou une voiture est beaucoup plus susceptible d'acheter un vélo.

  5. Double-cliquez sur la cellule Number Cars Owned dans la colonne d'acheteur de vélo (colonne intitulée 1).

    L'élément Légende d'exploration de données affiche une vue plus détaillée.

Retour en haut

Caractéristiques d'attribut

L'onglet Caractéristiques d'attribut permet de sélectionner un attribut et une valeur pour voir la fréquence à laquelle les valeurs des autres attributs apparaissent dans les cas de valeurs sélectionnées.

Pour explorer le modèle sous l'onglet Caractéristiques d'attribut

  1. Dans la liste Attribut, vérifiez que Bike Buyer est sélectionné.

  2. Définissez la Valeur sur 1.

    Dans la visionneuse, vous constaterez que les clients qui n'ont pas d'enfants, font des trajets courts entre leur domicile et bureau, et habitent dans la région North America sont plus susceptibles d'acheter un vélo.

Retour en haut

Discrimination d'attribut

L'onglet Discrimination d'attribut permet d'étudier la relation entre deux valeurs discrètes de l'achat de vélos et d'autres valeurs d'attributs. Étant donné que le modèle TM_NaiveBayes compte seulement deux états, 1 et 0, vous n'avez à apporter aucune modification à la visionneuse.

Dans la visionneuse, vous constatez que les personnes qui ne sont pas propriétaires de voitures achètent généralement des vélos et que les personnes propriétaires de deux voitures n'en achètent généralement pas.