내보내기(0) 인쇄
모두 확장
이 문서는 수동으로 번역한 것입니다. 원본 텍스트를 보려면 포인터를 문서의 문장 위로 올리십시오. 추가 정보
번역
원본

Naive Bayes 모델에 대한 마이닝 모델 콘텐츠(Analysis Services - 데이터 마이닝)

 

이 항목에서는 Microsoft Naive Bayes 알고리즘을 사용하는 모델만의 마이닝 모델 콘텐츠에 대해 설명합니다.모든 모델 유형에서 공유하는 통계 및 구조를 해석하는 방법에 대한 설명은 마이닝 모델 콘텐츠(Analysis Services - 데이터 마이닝)를 참조하십시오.

Naive Bayes 모델에는 모델 및 해당 메타데이터를 나타내는 단일 부모 노드가 있으며 이 부모 노드 아래에는 사용자가 선택한 예측 가능 특성을 나타내는 여러 개의 독립적인 트리가 있습니다.특성에 대한 트리 외에도 각 모델에는 학습 사례 집합에 대한 기술 통계를 제공하는 하나의 한계 통계 노드(NODE_TYPE = 26)가 포함됩니다.자세한 내용은 한계 통계 노드의 정보를 참조하십시오.

예측 가능한 각 특성 및 값에 대해 이 모델은 다양한 입력 열이 특정 예측 가능 항목의 결과에 미친 영향을 설명하는 정보가 들어 있는 트리를 출력합니다.각 트리에는 예측 가능한 특성 및 해당 값이 포함된 다음(NODE_TYPE = 9) 입력 특성을 나타내는 일련의 노드가 포함됩니다(NODE_TYPE = 10).입력 특성에는 일반적으로 여러 개의 값이 있으므로 각 입력 특성(NODE_TYPE = 10)에는 각각 특성의 특정 상태를 나타내는 여러 개의 자식 노드(NODE_TYPE = 11)가 있을 수 있습니다.

System_CAPS_note참고

Naive Bayes 모델은 연속 데이터 형식을 허용하지 않으므로 입력 열의 모든 값은 불연속 또는 분할된 열로 처리됩니다.값이 분할되는 방식은 사용자가 지정할 수 있습니다.자세한 내용은 마이닝 모델에서 열의 분할 변경를 참조하십시오.

Naive Bayes에 대한 모델 콘텐츠 구조

이 섹션에서는 Naive Bayes 모델과 특별히 관련된 마이닝 모델 콘텐츠 열에 대한 세부 정보 및 예만 제공합니다.

MODEL_CATALOG와 MODEL_NAME을 비롯하여 여기에 설명되지 않은 스키마 행 집합의 범용 열에 대한 자세한 내용 또는 마이닝 모델 용어에 대한 자세한 내용은 마이닝 모델 콘텐츠(Analysis Services - 데이터 마이닝)를 참조하십시오.

MODEL_CATALOG

모델이 저장되는 데이터베이스의 이름입니다.

MODEL_NAME

모델의 이름입니다.

ATTRIBUTE_NAME

이 노드에 해당하는 특성의 이름입니다.

모델 루트   예측 가능한 특성의 이름입니다.

한계 통계   해당 사항이 없습니다.

예측 가능한 특성   예측 가능한 특성의 이름입니다.

입력 특성   입력 특성의 이름입니다.

입력 특성 상태   입력 특성의 이름입니다.상태를 가져오려면 MSOLAP_NODE_SHORT_CAPTION을 사용합니다.

NODE_NAME

노드 이름입니다.

이 열에는 NODE_UNIQUE_NAME과 동일한 값이 포함됩니다.

노드 명명 규칙에 대한 자세한 내용은 노드 이름 및 ID 사용을 참조하십시오.

NODE_UNIQUE_NAME

노드의 고유한 이름입니다.고유한 이름은 노드 간의 관계에 대한 정보를 제공하는 규칙에 따라 할당됩니다.노드 명명 규칙에 대한 자세한 내용은 노드 이름 및 ID 사용을 참조하십시오.

NODE_TYPE

Naive Bayes 모델이 출력하는 노드 유형은 다음과 같습니다.

노드 유형 ID

설명

26(NaiveBayesMarginalStatNode)

모델의 전체 학습 사례 집합을 설명하는 통계를 포함합니다.

9(예측 가능한 특성)

예측 가능한 특성의 이름을 포함합니다.

10(입력 특성)

입력 특성 열의 이름을 포함하며 특성 값이 있는 자식 노드를 포함합니다.

11(입력 특성 상태)

특정 출력 특성과 연결된 모든 입력 특성의 값 또는 분할된 값을 포함합니다.

NODE_CAPTION

노드와 연결된 레이블 또는 캡션입니다.이 속성은 주로 표시용으로 사용됩니다.

모델 루트   비어 있습니다.

한계 통계   비어 있습니다.

예측 가능한 특성   예측 가능한 특성의 이름입니다.

입력 특성   예측 가능한 특성 및 현재 입력 특성의 이름입니다.예를 들면 다음과 같습니다.

Bike Buyer -> Age

입력 특성 상태   예측 가능한 특성 및 현재 입력 특성의 이름에 입력 값을 추가한 것입니다.예를 들면 다음과 같습니다.

Bike Buyer -> Age = Missing

CHILDREN_CARDINALITY

노드에 있는 자식 수입니다.

모델 루트   모델에 있는 예측 가능한 특성 수에 한계 통계 노드에 해당하는 1을 더한 것입니다.

한계 통계   정의에 따르면 자식이 없습니다.

예측 가능한 특성   현재 예측 가능한 특성과 관련된 입력 특성의 수입니다.

입력 특성   현재 입력 특성에 대한 불연속 또는 불연속화된 값의 수입니다.

입력 특성 상태   항상 0입니다.

PARENT_UNIQUE_NAME

부모 노드의 고유한 이름입니다.관련 부모 및 자식 노드에 대한 자세한 내용은 노드 이름 및 ID 사용을 참조하십시오.

NODE_DESCRIPTION

노드 캡션과 같습니다.

NODE_RULE

노드 캡션의 XML 표현입니다.

MARGINAL_RULE

노드 규칙과 같습니다.

NODE_PROBABILITY

이 노드와 관련된 확률입니다.

모델 루트   항상 0입니다.

한계 통계   항상 0입니다.

예측 가능한 특성   항상 1입니다.

입력 특성   항상 1입니다.

입력 특성 상태   현재 값의 확률을 나타내는 10진수입니다.부모 입력 특성 노드 아래에 있는 모든 입력 특성 상태의 값을 더하면 1이 됩니다.

MARGINAL_PROBABILITY

노드 확률과 같습니다.

NODE_DISTRIBUTION

노드의 확률 히스토그램을 포함하는 테이블입니다.자세한 내용은 NODE_DISTRIBUTION 테이블을 참조하십시오.

NODE_SUPPORT

이 노드를 지원하는 사례의 수입니다.

모델 루트   학습 데이터의 모든 사례 수입니다.

한계 통계   항상 0입니다.

예측 가능한 특성   학습 데이터의 모든 사례 수입니다.

입력 특성   학습 데이터의 모든 사례 수입니다.

입력 특성 상태   학습 데이터에서 이 특정 값만 포함된 사례 수입니다.

MSOLAP_MODEL_COLUMN

표시용 레이블입니다.일반적으로 ATTRIBUTE_NAME과 같습니다.

MSOLAP_NODE_SCORE

모델 내에 있는 특성 또는 값의 중요도를 나타냅니다.

모델 루트   항상 0입니다.

한계 통계   항상 0입니다.

예측 가능한 특성   항상 0입니다.

입력 특성   현재 예측 가능한 특성과 관련된 현재 입력 특성의 흥미도 점수입니다.

입력 특성 상태   항상 0입니다.

MSOLAP_NODE_SHORT_CAPTION

열의 이름 또는 값을 나타내는 텍스트 문자열입니다.

모델 루트   비어 있습니다.

한계 통계   비어 있습니다.

예측 가능한 특성   예측 가능한 특성의 이름입니다.

입력 특성   입력 특성의 이름입니다.

입력 특성 상태   입력 특성의 값 또는 불연속화된 값입니다.

Naive Bayes 모델의 노드 이름은 노드 유형에 대한 추가 정보를 제공하므로 이를 통해 모델에 있는 정보 간의 관계를 쉽게 이해할 수 있습니다.다음 표에서는 다른 노드 유형에 할당되는 ID의 규칙을 보여 줍니다.

노드 유형

노드 ID의 규칙

모델 루트(1)

항상 0입니다.

한계 통계 노드(26)

임의의 ID 값입니다.

예측 가능한 특성(9)

10000000으로 시작하는 16진수입니다.

예: 100000001, 10000000b

입력 특성(10)

두 부분으로 이루어진 16진수입니다. 첫 번째 부분은 항상 20000000이고, 두 번째 부분은 관련된 예측 가능한 특성의 16진수 식별자로 시작합니다.

예: 20000000b00000000

이 경우 관련된 예측 가능한 특성은 10000000b입니다.

입력 특성 상태(11)

세 부분으로 이루어진 16진수입니다. 첫 번째 부분은 항상 30000000이고, 두 번째 부분은 관련된 예측 가능한 특성의 16진수 식별자로 시작하며, 세 번째 부분은 값의 식별자를 나타냅니다.

예: 30000000b00000000200000000

이 경우 관련된 예측 가능한 특성은 10000000b입니다.

ID를 사용하여 입력 특성 및 상태를 예측 가능한 특성과 연결할 수 있습니다.예를 들어 다음 쿼리는 TM_NaiveBayes 모델에 대한 입력 특성과 예측 가능한 특성의 가능한 조합을 나타내는 노드의 이름과 캡션을 반환합니다.

SELECT NODE_NAME, NODE_CAPTION
FROM TM_NaiveBayes.CONTENT
WHERE NODE_TYPE = 10

예상 결과:

NODE_NAME

NODE_CAPTION

20000000000000001

Bike Buyer -> Commute Distance

20000000000000002

Bike Buyer -> English Education

20000000000000003

Bike Buyer -> English Occupation

20000000000000009

Bike Buyer -> Marital Status

2000000000000000a

Bike Buyer -> Number Children At Home

2000000000000000b

Bike Buyer -> Region

2000000000000000c

Bike Buyer -> Total Children

그런 다음 부모 노드의 ID를 사용하여 자식 노드를 검색할 수 있습니다.다음 쿼리는 Marital Status 특성의 값이 포함된 노드를 각 노드의 확률과 함께 검색합니다.

SELECT NODE_NAME, NODE_CAPTION, NODE_PROBABILITY
FROM TM_NaiveBayes.CONTENT
WHERE NODE_TYPE = 11
AND [PARENT_UNIQUE_NAME] = '20000000000000009'
System_CAPS_note참고

PARENT_UNIQUE_NAME 열의 이름은 대괄호로 묶어 동일한 이름의 예약 키워드와 구분해야 합니다.

예상 결과:

NODE_NAME

NODE_CAPTION

NODE_PROBABILITY

3000000000000000900000000

Bike Buyer -> Marital Status = Missing

0

3000000000000000900000001

Bike Buyer -> Marital Status = S

0.457504004

3000000000000000900000002

Bike Buyer -> Marital Status = M

0.542495996

중첩 테이블 열 NODE_DISTRIBUTION은 일반적으로 노드의 값 배포에 대한 통계를 포함합니다.Naive Bayes 모델에서 이 테이블은 다음 노드에 대해서만 채워집니다.

노드 유형

중첩 테이블의 내용

모델 루트(1)

비어 있습니다.

한계 통계 노드(24)

전체 학습 데이터 집합에 대한 모든 예측 가능한 특성 및 입력 특성의 요약 정보를 포함합니다.

예측 가능한 특성(9)

비어 있습니다.

입력 특성(10)

비어 있습니다.

입력 특성 상태(11)

예측 가능한 값 및 입력 특성 값의 이 특정 조합에 대해 학습 데이터의 값 분포를 설명하는 통계를 포함합니다.

노드 ID 또는 노드 캡션을 사용하여 높은 수준의 세부 정보를 검색할 수 있습니다.예를 들어 다음 쿼리는 NODE_DISTRIBUTION 테이블에서 'Marital Status = S' 값과 관련된 입력 특성 노드에 대한 특정 열만 검색합니다.

SELECT FLATTENED NODE_CAPTION,
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE, [SUPPORT], [PROBABILITY], VALUETYPE
FROM NODE_DISTRIBUTION) as t
FROM TM_NaiveBayes.content
WHERE NODE_TYPE = 11
AND NODE_CAPTION = 'Bike Buyer -> Marital Status = S'

예상 결과:

NODE_CAPTION

t.ATTRIBUTE_NAME

t.ATTRIBUTE_VALUE

t.SUPPORT

t.PROBABILITY

t.VALUETYPE

Bike Buyer -> Marital Status = S

Bike Buyer

Missing

0

0

1

Bike Buyer -> Marital Status = S

Bike Buyer

0

3783

0.472934117

4

Bike Buyer -> Marital Status = S

Bike Buyer

1

4216

0.527065883

4

이러한 결과에서 SUPPORT 열의 값은 자전거를 구매한 고객 수를 결혼 여부와 함께 알려 줍니다.PROBABILITY 열에는 이 노드에 대해서만 계산되는 각 특성 값의 확률이 포함됩니다.NODE_DISTRIBUTION 테이블에서 사용되는 용어의 일반적인 정의는 마이닝 모델 콘텐츠(Analysis Services - 데이터 마이닝)를 참조하십시오.

Naive Bayes 모델에서 한계 통계 노드의 중첩 테이블에는 전체 학습 데이터 집합의 값 분포가 포함됩니다.예를 들어 다음 표에서는 TM_NaiveBayes 모델에 대한 NODE_DISTRIBUTION 중첩 테이블의 통계 목록을 일부 보여 줍니다.

ATTRIBUTE_NAME

ATTRIBUTE_VALUE

SUPPORT

PROBABILITY

VARIANCE

VALUETYPE

Bike Buyer

Missing

0

0

0

1

Bike Buyer

0

8869

0.507263784

0

4

Bike Buyer

1

8615

0.492736216

0

4

Marital Status

Missing

0

0

0

1

Marital Status

S

7999

0.457504004

0

4

Marital Status

M

9485

0.542495996

0

4

Total Children

Missing

0

0

0

1

Total Children

0

4865

0.278254404

0

4

Total Children

3

2093

0.119709449

0

4

Total Children

1

3406

0.19480668

0

4

한계 통계 노드는 항상 예측 가능한 특성 및 해당 특성의 가능한 값에 대한 설명을 포함하므로 Bike Buyer 열이 포함됩니다.나열된 다른 모든 열은 입력 특성을 모델에 사용된 값과 함께 나타냅니다.값은 Missing, Discrete 또는 Discretized만 될 수 있습니다.

Naive Bayes 모델에는 연속 특성이 있을 수 없으므로 모든 숫자 데이터는 Discrete(VALUE_TYPE = 4) 또는 Discretized(VALUE_TYPE = 5)로 표현됩니다.

Missing 값(VALUE_TYPE = 1)은 모든 입력 및 출력 특성에 추가되어 학습 데이터에 없었던 잠재적인 값을 나타냅니다.문자열 "missing"과 기본 Missing 값을 주의해서 구별해야 합니다.자세한 내용은 누락 값(Analysis Services - 데이터 마이닝)을 참조하세요.

이 정보가 도움이 되었습니까?
(1500자 남음)
의견을 주셔서 감사합니다.
표시:
© 2015 Microsoft