Exemples de requêtes de modèle Naive Bayes

S’applique à : SQL Server 2019 et versions antérieures d’Analysis Services Azure Analysis Services Fabric/Power BI Premium

Lorsque vous créez une requête sur un modèle d'exploration de données, vous pouvez soit créer une requête de contenu, qui fournit des détails sur les modèles (ou séquences) découverts au cours de l'analyse, soit créer une requête de prédiction, qui utilise les séquences du modèle pour effectuer des prédictions pour les nouvelles données. Vous pouvez également récupérer les métadonnées relatives au modèle en utilisant une requête sur l'ensemble de lignes de schéma d'exploration de données. Cette section explique comment créer ces requêtes pour les modèles basés sur l'algorithme MNB (Microsoft Naive Bayes).

Requêtes de contenu

Obtention de métadonnées de modèle à l’aide de DMX

Récupération d'un résumé de données d'apprentissage

Recherche d'informations sur les attributs

Utilisation de procédures stockées système

Requêtes de prédiction

Prédiction des résultats à l'aide d'une requête singleton

Obtention de prédictions avec une probabilité et des valeurs de prise en charge

Prédiction des associations

Recherche d'informations relatives à un modèle Naive Bayes

Le contenu d'un modèle Naive Bayes fournit des informations d'agrégat sur la distribution de valeurs dans les données d'apprentissage. Vous pouvez également récupérer des informations sur les métadonnées du modèle en créant des requêtes sur les ensembles de lignes de schéma d'exploration de données.

Exemple de requête 1 : obtention des métadonnées du modèle à l'aide de DMX

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 prédictible. 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 Basic Data Mining Tutorial, mais il a été modifié en ajoutant un deuxième attribut prédictible et en appliquant un filtre aux données d'apprentissage.

Exemple de requête 2 : extraction d'un résumé des données d'apprentissage

Dans un modèle Naive Bayes, le nœud des statistiques marginales stocke des informations d'agrégat 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 obtenir une définition des valeurs fournies dans la table NODE_DISTRIBUTION dans 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 calculs de prise en charge et de probabilité sont affectés par les valeurs manquantes, consultez Valeurs manquantes (Analysis Services - Exploration de données).

Exemple de requête 3 : obtention d'informations complémentaires sur les attributs.

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 ou les valeurs de support. Toutefois, MSOLAP_NODE_SCORE est une valeur spéciale indiquée uniquement pour les nœuds de l'attribut d'entrée et 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.

Exemple de requête 4 : utilisation des procédures stockées système

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).

Utilisation d'un modèle Naive Bayes pour élaborer des prédictions

L'algorithme MNB (Microsoft Naive Bayes) est en général moins utilisé pour la prédiction qu'il ne l'est pour l'exploration des relations entre les attributs d'entrée et prévisibles. Toutefois, le modèle prend en charge l'utilisation de fonctions de prédiction à la fois pour la prédiction et l'association.

Exemple de requête 5 : prédiction des résultats à l'aide d'une requête singleton

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 Genderdans 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, dans ce cas 0, qui signifie qu'il est peu probable que ce type de client achète un vélo.

Exemple de requête 6 : obtention de prédictions avec une probabilité et des valeurs de prise en charge

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 à la prise en charge de 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 de valeurs continues.

Exemple de requête 7 : prédiction d'associations

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 prédictible comme clé. Par exemple, vous pouvez créer un modèle Naive Bayes à l’aide de la structure d’exploration de données créée dans la leçon 3 : Création d’un scénario de panier de marché (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 :

Liste de fonctions

Tous les algorithmes Microsoft prennent en charge un ensemble commun de fonctions. Toutefois, l’algorithme Microsoft Naive Bayes prend en charge les fonctions supplémentaires répertoriées dans le tableau suivant.

Pour connaître la syntaxe de fonctions spécifiques, consultez Informations de référence sur les fonctions des extensions d’exploration de données (DMX).

Voir aussi

Références techniques relatives à l'algorithme MNB (Microsoft Naive Bayes)
Algorithme MNB (Microsoft Naive Bayes)
Contenu du modèle d'exploration de données pour les modèles Naive Bayes (Analysis Services - Exploration de données)