Consultando modelos de mineração de dados (Analysis Services - Mineração de dados)

Uma consulta singleton é útil quando você deseja criar previsões simples em tempo real. Por exemplo, você pode obter informações de um cliente usando um site e, em seguida, usar esses dados para retornar previsões, apresentadas como recomendações específicas para esse cliente. Se preferir, você pode analisar o conteúdo de um email e usar um modelo de classificação existente para atribuir uma categoria ao email e rotear a mensagem de modo adequado.

As consultas singleton não requerem uma tabela separada que contém entrada. Em vez disso, é transmitida uma única linha de dados para o modelo e uma única previsão é retornada em tempo real. Você também pode estender a consulta singleton para fazer várias previsões digitando uma instrução SELECT que contenha um único caso, adicionar o operador UNION e digitar outra instrução SELECT para especificar outro caso.

Você pode criar consultas singleton em um modelo existente dos seguintes modos:

• Usando o Designer de Mineração de Dados.

• Usando um modelo de consulta singleton.

• Criando uma instrução DMX programaticamente ou em outro cliente do Analysis Services.

Ao criar uma consulta singleton, é necessário fornecer os novos dados ao modelo na forma de uma JUNÇÃO DE PREVISÃO. Isso significa que, mesmo que não esteja mapeando para uma tabela real, você deve verificar se os novos dados correspondem às colunas existentes no modelo de mineração. Se as colunas dos novos dados e os novos dados corresponderem de modo exato, o Analysis Services mapeará as colunas. Isto é chamado de JUNÇÃO DE PREVISÃO NATURAL. No entanto, se as colunas não coincidirem ou se os novos dados não tiverem o mesmo tipo e quantidade de dados do modelo, especifique quais colunas do modelo devem ser mapeadas para os novos dados ou especifique os valores ausentes.

Para obter informações sobre como criar uma consulta singleton no Designer de Mineração de Dados, consulte Como criar uma consulta Singleton no Designer de Mineração de Dados e Usando o construtor de consultas de previsão para criar consultas de previsão DMX.

Para obter informações sobre como usar o DMX para criar uma consulta singleton, consulte Consultas de previsão (DMX).

Para obter um exemplo de como usar os modelos de consulta DMX no SQL Server Management Studio, consulte Como criar uma consulta de previsão singleton a partir de um modelo.

Voltar ao início

Ao executar uma junção de previsão, você mapeia o modelo para uma nova fonte de dados e o Analysis Services faz previsões para cada linha dos novos dados com base nos padrões do modelo. A junção de previsão é útil quando existem muitas informações em uma tabela ou outras fontes de dados externas e você deseja fazer previsões com o modelo treinado.

Você pode criar consultas de previsão em lotes para um modelo existente dos seguintes modos:

• Usando o Designer de Mineração de Dados.

• Usando um modelo.

• Criando uma instrução DMX programaticamente ou em outro cliente do Analysis Services.

• Se você criar uma consulta de previsão em lotes usando o Designer de Mineração de Dados, as fontes de dados externas devem ser definidas primeiro como uma exibição da fonte de dados.

Se a linguagem DMX for usada para criar uma junção de previsão, especifique a fonte de dados externa usando os comandos OPENQUERY, OPENROWSET ou SHAPE. O método de acesso aos dados padrão nos modelos DMX é OPENQUERY. Para obter mais informações sobre esses métodos, consulte <consulta de dados de origem>.

Independentemente de como os dados externos são definidos, a fonte de dados especificada deve conter colunas com os mesmos dados do modelo. No entanto, as novas informações podem estar incompletas. Por exemplo, sua lista de clientes pode ter uma coluna Idade, mas nenhuma informação sobre renda. Mesmo que os dados de renda fossem usados durante o treinamento do modelo, você ainda poderia mapear os novos dados para o modelo e criar uma previsão; no entanto, em alguns casos, a falta de informações completas talvez afete a qualidade das previsões.

Para obter os melhores resultados, faça a junção do máximo de colunas correspondentes possível entre os novos dados e o modelo. No entanto, a consulta será bem-sucedida mesmo se não houver nenhuma correspondência. Se nenhuma coluna for unida, a consulta retornará a previsão marginal, que é equivalente à instrução SELECT <predictable-column> FROM <model> sem uma cláusula PREDICTION JOIN.

Uma consulta de previsão não é igual a uma consulta em um banco de dados relacional. Cada função de previsão adicionada a uma consulta retorna seu próprio conjunto de linhas. Portanto, ao fazer previsões em um único caso, o resultado pode ser um valor estimado junto com várias colunas de tabelas aninhadas que contêm detalhes adicionais.

Sempre que você combina várias funções em uma consulta, os resultados retornados são combinados como um conjunto de linhas hierárquico. No entanto, se o provedor não puder manipular conjuntos de linhas hierárquicos, você poderá mesclar os resultados usando a palavra-chave FLATTEN na consulta de previsão.

Para obter mais informações, inclusive exemplos de conjuntos de linhas bidimensionais, consulte SELECT (DMX).

Os modelos de série temporal fornecem mais flexibilidade no modo como você pode usar novos dados e criar previsões. É possível usar o modelo no estado em que se encontra para criar previsões ou fornecer novos dados ao modelo para atualizar as previsões com base nas tendências recentes. Se novos dados forem adicionados, especifique como eles devem ser usados, seja para estender os casos do modelo ou para substituí-los.

Ao estender os casos do modelo, adicione novos dados de fato ao modelo de série temporal e faça mais previsões baseadas nas novas séries combinadas. Ao substituir os casos do modelo, mantenha o modelo treinado, mas substitua os casos subjacentes por um novo conjunto de dados de caso.

Independentemente da abordagem usada, o ponto de partida para previsões sempre é o término da série original.

Por exemplo, imagine que você tenha um modelo de série temporal existente treinado nos dados de vendas do ano anterior. Após coletar vários meses de novos dados de vendas, você decide atualizar suas previsões de vendas para o ano atual. Você pode criar uma junção de previsão que atualize o modelo adicionando novos dados e que estenda o modelo para fazer novas previsões.

Se preferir, crie seu modelo com base nos dados existentes e, em seguida, crie uma junção de previsão que substitua os dados de caso por novos dados. Isso é útil se, por exemplo, em um armazenamento estiver faltando vários dados e você desejar usar um modelo incorporado em outro armazenamento de dados para fazer previsões. Para obter mais informações sobre como criar junções de previsão em modelos de série temporal, consulte Consultando modelos de série temporal ou PredictTimeSeries (DMX).

Voltar ao início

Você pode usar uma instrução SELECT FROM <modelo>.CONTENT para retornar tipos de conteúdo diferentes, dependendo do tipo de modelo que está sendo consultado. Para os modelos de associação, os nós que representam regras têm o valor de NODE_TYPE igual a 8, enquanto os conjuntos de itens têm um valor de NODE_TYPE igual a 7. Assim, a consulta a seguir retornaria os 10 principais conjuntos de itens, classificados por suporte (a ordem padrão).

SELECT TOP 10 NODE_DESCRIPTION, NODE_PROBABILITY, SUPPORT
FROM <model>.CONTENT WHERE NODE_TYPE = 7

O exemplo a seguir retorna três colunas: a ID do nó, a regra completa e o produto na lateral direita do conjunto de itens, isto é, o produto previsto para ser associado a alguns outros produtos como parte de um conjunto de itens.

A palavra-chave FLATTENED indica que o conjunto de linhas aninhado deve ser convertido em uma tabela simples. O atributo que representa o produto na lateral direita da regra está contido na tabela NODE_DISTRIBUTION; portanto, recuperamos somente a linha que contém um nome de atributo, adicionando um requisito para que o comprimento seja maior do que 2. Uma função de cadeia de caracteres simples é usada para remover o nome do modelo da terceira coluna. Normalmente, o nome do modelo sempre é antecedido pelos valores de colunas aninhadas. A cláusula WHERE especifica que o valor de NODE_TYPE deve ser 8 para recuperar apenas regras.

SELECT FLATTENED NODE_UNIQUE_NAME , NODE_DESCRIPTION,
     (SELECT RIGHT(ATTRIBUTE_NAME, (LEN(ATTRIBUTE_NAME)-LEN('Association model name'))) 
FROM NODE_DISTRIBUTION
WHERE LEN(ATTRIBUTE_NAME)>2
) 
AS RightSideProduct
FROM [<Association model name>].CONTENT
WHERE NODE_TYPE = 8 
ORDER BY NODE_SUPPORT DESC

Para ver mais exemplos, consulte Consultando um modelo de associação (Analysis Services - Mineração de dados).

A consulta do conteúdo do modelo é útil quando você deseja acompanhar uma consulta de previsão retornando a regra que explica por que aquele estado foi previsto. Por exemplo, é possível adicionar a função de previsão PredictNodeId (DMX) a uma consulta para obter a ID do nó que contém a regra usando a seguinte sintaxe:

SELECT  Predict([Bike Buyer]), PredictNodeID([Bike Buyer]) 
FROM [<decision tree model name>]
PREDICTION JOIN 
<input rowset> 

Para um modelo de árvore de decisão, a legenda contém a descrição do caminho ao resultado. Assim, após obter a ID do nó que contém o resultado, você pode recuperar a regra ou o caminho que explica a previsão criando uma consulta de conteúdo, como a seguinte:

SELECT NODE_CAPTION
FROM [<decision tree model name>] 
WHERE NODE_UNIQUE_NAME= '<node id>'

Para ver mais exemplos, consulte Consultando um modelo de árvores de decisão (Analysis Services – Mineração de dados).

Voltar ao início