Esecuzione di query su un modello di rete neurale (Analysis Services - Data mining)

Nella query seguente vengono restituiti metadati di base relativi a un modello compilato tramite l'algoritmo Microsoft Neural Network. In un modello di rete neurale il nodo padre include solo il nome del modello, il nome del database in cui questo è archiviato e il numero di nodi figlio. Il nodo delle statistiche marginali (NODE_TYPE = 24) fornisce tuttavia sia questi metadati di base, sia alcune statistiche derivate relative alle colonne di input utilizzate nel modello.

La query di esempio seguente è basata sul modello di data mining creato nell'Esercitazione intermedia sul data mining, denominato Call Center Default NN. Il modello utilizza i dati di un call center per esplorare le possibili correlazioni tra personale e numero di chiamate, ordini e problemi. L'istruzione DMX recupera dati dal nodo delle statistiche marginali del modello di rete neurale. La query include la parola chiave FLATTENED, in quanto le statistiche di interesse degli attributi di input vengono archiviate in una tabella nidificata, NODE_DISTRIBUTION. Se tuttavia il provider della query supporta set di righe gerarchici, non è necessario utilizzare la parola chiave FLATTENED.

SELECT FLATTENED MODEL_CATALOG, MODEL_NAME, 
(    SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE,
     [SUPPORT], [PROBABILITY], VALUETYPE 
     FROM NODE_DISTRIBUTION
) AS t
FROM [Call Center Default NN].CONTENT
WHERE NODE_TYPE = 24

Risultati dell'esempio:

Per una definizione del significato delle colonne nel set di righe dello schema nel contesto di un modello di rete neurale, vedere Contenuto dei modelli di data mining per i modelli di rete neurale (Analysis Services - Data mining).

Torna all'inizio

È possibile trovare le stesse informazioni restituite in una query sul contenuto DMX eseguendo una query sul set di righe dello schema di data mining. Il set di righe dello schema contiene tuttavia alcune colonne aggiuntive. Nella query di esempio seguente vengono restituite la data di creazione, di modifica e dell'ultima elaborazione del modello. La query restituisce anche le colonne stimabili che non sono facilmente reperibili dal contenuto del modello e i parametri utilizzati per compilare il modello. Queste informazioni possono risultare utili per documentare il modello.

SELECT MODEL_NAME, DATE_CREATED, LAST_PROCESSED, PREDICTION_ENTITY, MINING_PARAMETERS 
from $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'Call Center Default NN'

Risultati dell'esempio:

Torna all'inizio

È possibile recuperare le coppie valore/attributo di input utilizzate per creare il modello eseguendo una query sui nodi figlio (NODE_TYPE = 20) del livello di input (NODE_TYPE = 18). Nella query seguente viene restituito un elenco di attributi di input dalle descrizioni di nodo.

SELECT NODE_DESCRIPTION
FROM [Call Center Default NN].CONTENT
WHERE NODE_TYPE = 2

Risultati dell'esempio:

In questo contesto vengono mostrate solo alcune righe rappresentative dei risultati. È tuttavia possibile notare che NODE_DESCRIPTION fornisce informazioni leggermente diverse a seconda del tipo di dati dell'attributo di input.

• Se l'attributo è un valore discreto o discretizzato, vengono restituiti l'attributo e il rispettivo valore o intervallo discretizzato.

• Se l'attributo è un tipo di dati numerici continuo, NODE_DESCRIPTION contiene solo il nome dell'attributo. È tuttavia possibile recuperare la tabella NODE_DISTRIBUTION nidificata per ottenere la media o restituire NODE_RULE per ottenere i valori minimo e massimo dell'intervallo numerico.

Nella query seguente viene illustrato come eseguire una query nella tabella NODE_DISTRIBUTION nidificata per restituire gli attributi in una colonna e i rispettivi valori in un'altra colonna. Per gli attributi continui, il valore dell'attributo à rappresentato dalla relativa media.

SELECT FLATTENED 
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE
FROM NODE_DISTRIBUTION) as t
FROM [Call Center Default NN -- Predict Service and Orders].CONTENT
WHERE NODE_TYPE = 21

Risultati dell'esempio:

I valori minimo e massimo dell'intervallo vengono archiviati nella colonna NODE_RULE e sono rappresentati come un frammento XML, come mostrato nell'esempio seguente:

<NormContinuous field="Level 1 Operators">  
  <LinearNorm orig="2.83967303681711" norm="-1" />  
  <LinearNorm orig="3.75291955577548" norm="1" />  
</NormContinuous>  

Torna all'inizio

Il contenuto di un modello di una rete neurale è strutturato in modo da agevolare il recupero dei dettagli relativi a un qualsiasi nodo della rete. Gli ID dei nodi forniscono inoltre informazioni che consentono di identificare le relazioni tra i tipi di nodo.

Nella query seguente viene indicato come recuperare i coefficienti archiviati in un particolare nodo del livello nascosto. Il livello nascosto è costituito da un nodo di libreria (NODE_TYPE = 19), che contiene solo metadati, e da più nodi figlio (NODE_TYPE = 22), che contengono i coefficienti per le varie combinazioni di attributi e valori. Questa query restituisce solo i nodi di coefficiente.

SELECT FLATTENED TOP 1 NODE_UNIQUE_NAME, 
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE, VALUETYPE
FROM NODE_DISTRIBUTION) as t
FROM  [Call Center Default NN -- Predict Service and Orders].CONTENT
WHERE NODE_TYPE = 22
AND [PARENT_UNIQUE_NAME] = '40000000200000000' FROM [Call Center Default NN].CONTENT

Risultati dell'esempio:

I risultati parziali riportati in questo ambito indicano il modo in cui il contenuto del modello di rete neurale correla il nodo nascosto ai nodi di input.

• I nomi univoci dei nodi nel livello nascosto iniziano sempre con 70000000.

• I nomi univoci dei nodi nel livello di input iniziano sempre con 60000000.

Questi risultati suggeriscono pertanto che al nodo con ID 70000000200000000 vengono passati sei coefficienti diversi (VALUETYPE = 7), con i valori inclusi nella colonna ATTRIBUTE_VALUE. È possibile determinare esattamente a quale attributo di input si riferisce il coefficiente utilizzando l'ID del nodo presente nella colonna ATTRIBUTE_NAME. L'ID del nodo 6000000000000000a si riferisce, ad esempio, al valore e all'attributo di input Day of Week = 'Tue.' È possibile utilizzare l'ID del nodo per creare una query oppure passare al nodo utilizzando Microsoft Generic Content Tree Viewer.

Analogamente, se si esegue una query sulla tabella NODE_DISTRIBUTION dei nodi nel livello di output (NODE_TYPE = 23), è possibile vedere i coefficienti per ogni valore di output. Nel livello di output tuttavia i puntatori si riferiscono nuovamente ai nodi del livello nascosto. Per ulteriori informazioni, vedere Contenuto dei modelli di data mining per i modelli di rete neurale (Analysis Services - Data mining).

Torna all'inizio

Il modo più semplice per compilare una query di stima su un modello di rete neurale consiste nell'utilizzare il generatore delle query di stima, disponibile nella scheda Stima modello di data mining di Progettazione modelli di data mining sia in SQL Server Management Studio, sia in Business Intelligence Development Studio. È possibile esplorare il modello nel Visualizzatore Microsoft Neural Network per filtrare gli attributi di interesse e visualizzare le tendenze, quindi passare alla scheda Stima modello di data mining per creare una query e stimare i nuovi valori per tali tendenze.

È ad esempio possibile esplorare il modello Call Center per visualizzare le correlazioni tra i volumi degli ordini e altri attributi. A tale scopo, aprire il modello nel visualizzatore e in Inputselezionare <Tutto>. Per Output selezionare quindi Number of Orders. In Valore 1selezionare l'intervallo che rappresenta il maggior numero di ordini e in Valore 2selezionare l'intervallo che rappresenta il minor numero di ordini. È possibile visualizzare rapidamente tutti gli attributi correlati dal modello con il volume degli ordini.

Esplorando i risultati nel visualizzatore, è possibile notare che in alcuni giorni della settimana i volumi degli ordini sono bassi e che sembra esserci una correlazione tra un aumento delle vendite e un aumento nel numero di operatori. È quindi possibile utilizzare una query di stima sul modello per testare un'ipotesi di simulazione e verificare se un aumento del numero degli operatori del livello 2 in un giorno in cui i volumi di ordini sono bassi comporta un aumento anche degli ordini. A questo scopo, creare una query simile alla seguente:

SELECT Predict([Call Center Default NN].[Number of Orders]) AS [Predicted Orders],
PredictProbability([Call Center Default NN].[Number of Orders]) AS [Probability]
FROM [Call Center Default NN]
NATURAL PREDICTION JOIN 
(SELECT 'Tue.' AS [Day of Week]
13 AS [Level 2 Operators] AS t

Risultati dell'esempio:

Il volume delle vendite stimato è più elevato dell'intervallo corrente di vendite per martedì (Tuesday) e la probabilità della stima è molto elevata. Potrebbe tuttavia essere necessario creare più stime tramite un'elaborazione batch per testare una varietà di ipotesi relative al modello.

Torna all'inizio