Interrogation d'un modèle Naive Bayes (Analysis Services - Exploration de données)

En interrogeant l'ensemble de lignes de schéma d'exploration de données, vous pouvez obtenir les métadonnées du modèle. Celles-ci peuvent inclure la date de création du modèle, celle de son dernier traitement, le nom de la structure d'exploration de données sur laquelle le modèle est basé, ainsi que le nom des colonnes utilisées comme attribut prévisible. Vous pouvez également retourner les paramètres qui ont été utilisés lors de la création du modèle.

SELECT MODEL_CATALOG, MODEL_NAME, DATE_CREATED, LAST_PROCESSED,
SERVICE_NAME, PREDICTION_ENTITY, FILTER
FROM $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'TM_NaiveBayes_Filtered'

Exemples de résultats :

Le modèle utilisé pour cet exemple est basé sur le modèle Naive Bayes créé dans le Didacticiel sur l'exploration de données de base, mais il a été modifié en ajoutant un deuxième attribut prévisible et en appliquant un filtre aux données d'apprentissage.

Retour au début

Dans un modèle Naive Bayes, le nœud des statistiques marginales stocke des informations agrégées sur la distribution de valeurs dans les données d'apprentissage. Ce résumé est pratique et vous évite d'avoir à créer des requêtes SQL sur les données d'apprentissage pour obtenir les mêmes informations.

L'exemple suivant utilise une requête de contenu DMX pour récupérer les données du nœud (NODE_TYPE = 24). Les statistiques étant stockées dans une table imbriquée, le mot clé FLATTENED est utilisé pour simplifier l'affichage des résultats.

SELECT FLATTENED MODEL_NAME,
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE, [SUPPORT], [PROBABILITY], VALUETYPE FROM NODE_DISTRIBUTION) AS t
FROM TM_NaiveBayes.CONTENT
WHERE NODE_TYPE = 26

Résultats partiels :

Par exemple, ces résultats vous indiquent le nombre de cas d'apprentissage pour chaque valeur discrète (VALUETYPE = 4), ainsi que la probabilité calculée, ajustée pour les valeurs manquantes (VALUETYPE = 1).

Pour connaître la définition des valeurs indiquées dans la table NODE_DISTRIBUTION d'un modèle Naive Bayes, consultez Contenu du modèle d'exploration de données pour les modèles Naive Bayes (Analysis Services - Exploration de données). Pour plus d'informations sur la façon dont les valeurs manquantes affectent les calculs de prise en charge et de probabilité, consultez Valeurs manquantes (Analysis Services - Exploration de données).

Retour au début

Un modèle Naive Bayes contenant souvent des informations complexes sur les relations entre les différents attributs, la méthode la plus facile pour consulter ces relations consiste à utiliser la Visionneuse de l'algorithme MNB (Microsoft Naive Bayes). Vous pouvez cependant créer des requêtes DMX pour retourner les données.

L'exemple suivant montre comment retourner des informations à partir du modèle d'un attribut spécifique, Region.

SELECT NODE_TYPE, NODE_CAPTION, 
NODE_PROBABILITY, NODE_SUPPORT, MSOLAP_NODE_SCORE
FROM TM_NaiveBayes.CONTENT
WHERE ATTRIBUTE_NAME = 'Region'

Cette requête retourne deux types de nœuds : le nœud qui représente l'attribut d'entrée (NODE_TYPE = 10) et ceux pour chaque valeur de l'attribut (NODE_TYPE = 11). La légende du nœud est utilisée pour l'identifier, plutôt que son nom, car elle affiche à la fois le nom d'attribut et la valeur d'attribut.

Certaines des colonnes stockées dans les nœuds sont identiques à celles obtenues à partir des nœuds des statistiques marginales, telles que le score de probabilité du nœud ou ses valeurs de support. Toutefois, MSOLAP_NODE_SCORE est une valeur spéciale indiquée uniquement pour les nœuds de l'attribut d'entrée et qui précise l'importance relative de cet attribut dans le modèle. Vous pouvez consulter pratiquement les mêmes informations dans le volet Réseau de dépendances de la visionneuse, celle-ci n'indiquant cependant pas de score.

La requête suivante retourne les scores d'importance de tous les attributs du modèle :

SELECT NODE_CAPTION, MSOLAP_NODE_SCORE
FROM TM_NaiveBayes.CONTENT
WHERE NODE_TYPE = 10
ORDER BY MSOLAP_NODE_SCORE DESC

Exemples de résultats :

En parcourant le contenu du modèle dans la Visionneuse de l'arborescence de contenu générique Microsoft, vous obtiendrez une meilleure idée des statistiques qui peuvent s'avérer intéressantes. Les exemples présentés dans la présente documentation sont simples, mais la plupart du temps, il peut s'avérer nécessaire d'exécuter plusieurs requêtes, ou de stocker les résultats et de les traiter sur le client.

Retour au début

Outre l'écriture de vos propres requêtes de contenu, vous pouvez utiliser des procédures stockées système Analysis Services pour explorer les résultats. Pour utiliser une procédure stockée système, préfixez son nom avec le mot clé CALL :

CALL GetPredictableAttributes ('TM_NaiveBayes')

Résultats partiels :

Pour plus d'informations sur les procédures stockées système Analysis Services, consultez Procédures stockées d'exploration de données (Analysis Services - Exploration de données).

Retour au début

La requête suivante utilise une requête singleton pour fournir une nouvelle valeur et prédire, selon le modèle, si un client présentant ces caractéristiques est susceptible d'acheter un vélo. La méthode la plus facile pour créer une requête singleton sur un modèle de régression consiste à utiliser la boîte de dialogue Entrée de requête singleton. Par exemple, pour créer la requête DMX suivante, sélectionnez le modèle TM_NaiveBayes, choisissez Requête Singleton, puis sélectionnez des valeurs pour [Commute Distance] et Gender dans les listes déroulantes.

SELECT
  Predict([TM_NaiveBayes].[Bike Buyer])
FROM
  [TM_NaiveBayes]
NATURAL PREDICTION JOIN
(SELECT '5-10 Miles' AS [Commute Distance],
  'F' AS [Gender]) AS t

Résultats de l'exemple :

La fonction de prédiction retourne la valeur la plus probable, 0 dans le cas présent, qui signifie qu'il est peu probable que ce type de client achète un vélo.

Retour au début

Outre la prédiction d'un résultat, vous souhaitez souvent connaître sa pertinence. La requête suivante utilise la même requête singleton que l'exemple précédent, mais ajoute la fonction de prédiction PredictHistogram (DMX) pour retourner une table imbriquée qui contient des statistiques pour la prédiction.

SELECT
  Predict([TM_NaiveBayes].[Bike Buyer]),
  PredictHistogram([TM_NaiveBayes].[Bike Buyer])
FROM
  [TM_NaiveBayes]
NATURAL PREDICTION JOIN
(SELECT '5-10 Miles' AS [Commute Distance],
  'F' AS [Gender]) AS t

Résultats de l'exemple :

La ligne finale de la table indique les ajustements apportés aux paramètres de prise en charge et de probabilité pour la valeur manquante. Les valeurs de variance et d'écart type sont toujours 0, car les modèles Naive Bayes ne peuvent pas modéliser des valeurs continues.

Retour au début

L'algorithme MNB (Microsoft Naive Bayes) permet d'analyser les associations, si la structure d'exploration de données contient une table imbriquée avec l'attribut prévisible comme clé. Par exemple, pour créer un modèle Naive Bayes, utilisez la structure d'exploration de données créée dans Leçon 3 : Génération d'un scénario de panier d'achat (Didacticiel sur l'exploration de données intermédiaire) du didacticiel d'exploration de données. Le modèle utilisé dans cet exemple a été modifié pour ajouter des informations sur le revenu et la région du client dans la table de cas.

L'exemple de requête suivant présente une requête singleton qui prédit les produits associés aux achats, 'Road Tire Tube'. Vous pouvez utiliser ces informations pour recommander des produits à un type de client spécifique.

SELECT   PredictAssociation([Association].[v Assoc Seq Line Items])
FROM [Association_NB]
NATURAL PREDICTION JOIN
(SELECT 'High' AS [Income Group],
  'Europe' AS [Region],
  (SELECT 'Road Tire Tube' AS [Model]) 
AS [v Assoc Seq Line Items]) 
AS t

Résultats partiels :

Retour au début