Exploration du modèle de centre d'appels (Didacticiel sur l'exploration de données intermédiaire)

Visionneuse de l'algorithme MNN (Microsoft Neural Network)

Cette visionneuse comprend trois volets : Entrée, Sortie et Variables.

Le volet Sortie vous permet de sélectionner des valeurs différentes pour l'attribut prévisible, ou la variable dépendante. Si votre modèle contient plusieurs attributs prévisibles, vous pouvez sélectionner l'attribut dans la liste Attribut de sortie.

Le volet Variables compare les deux résultats que vous avez choisis en termes de d'attributs, ou de variables. Les barres de couleur représentent visuellement dans quelle mesure la variable affecte les résultats cibles. Vous pouvez également afficher les variables sous forme de scores de finesse. Un score de finesse est calculé différemment en fonction du type de modèle d'exploration de données utilisé, mais il indique généralement l'amélioration apportée au modèle lorsque cet attribut est utilisé pour la prédiction.

Le volet Entrée vous permet d'ajouter des facteurs d'influence au modèle pour essayer différents scénarios.

Utilisation du volet Sortie

Utilisation du volet Variables

Utilisation du volet Entrée

Interprétation des statistiques fournies dans la visionneuse

Visionneuse de l'arborescence de contenu générique Microsoft

Cette visionneuse peut être utilisée pour afficher des informations encore plus détaillées créées par l'algorithme lors du traitement du modèle. La Visionneuse de l'arborescence de contenu génériqueMicrosoft représente le modèle d'exploration de données sous la forme d'une série de nœuds, où chaque nœud représente ce qui a été appris sur les données d'apprentissage. Cette visionneuse peut être utilisée avec tous les modèles, mais le contenu des nœuds est différent en fonction du type de modèle.

Pour les modèles de réseau neuronal ou les modèles de régression logistique, vous pouvez rechercher le nœud des statistiques marginales (marginal statistics node), qui est particulièrement utile. Ce nœud contient des statistiques dérivées sur la distribution des valeurs dans vos données. Ces informations peuvent être utiles si vous voulez obtenir un résumé des données sans avoir à écrire de nombreuses requêtes T-SQL. Le graphique des valeurs de placement dans un conteneur dans la rubrique précédente a été dérivé du nœud des statistiques marginales.

Pour obtenir un résumé des valeurs de données à partir du modèle d'exploration de données

Pour utiliser ces données dans un rapport, vous pouvez sélectionner puis copier les informations correspondant à des lignes spécifiques, ou utiliser la requête DMX (Data Mining Extensions) suivante pour extraire le contenu complet du nœud.

SELECT * 
FROM [Call Center EQ4].CONTENT
WHERE NODE_NAME = '10000000000000000'

Vous pouvez également utiliser la hiérarchie de nœuds et les détails de la table NODE_DISTRIBUTION pour parcourir des chemins d'accès individuels dans le réseau neuronal et afficher des statistiques provenant de la couche masquée. Pour plus d'informations, consultez Interrogation d'un modèle de réseau neuronal (Analysis Services - Exploration de données).

Retour au début

Concepteur de vue de source de données

Cette visionneuse est utilisée lors de la création d'une structure d'exploration de données ou d'un cube, mais elle fournit également un vaste choix d'outils utiles pour mieux comprendre les données sources. Par exemple, si le modèle a détecté une tendance que vous ne comprenez pas parfaitement, vous pouvez consulter des lignes individuelles dans les données sous-jacentes, ou bien créer des résumés ou des graphiques vous permettant de comprendre les corrélations.

Cette section fournit un exemple de la façon dont vous pouvez utiliser le Concepteur de vue de source de données pour explorer des tendances révélées par le modèle sans avoir à copier des données vers Excel ou à exécuter plusieurs requêtes T-SQL sur la source de données.

Dans ce scénario, vous allez créer des graphiques qui présentent graphiquement la corrélation entre le temps de réponse et le niveau de service qui ont été détectés par le modèle.

Pour créer un graphique croisé dynamique qui illustre une tendance à partir du modèle d'exploration de données

Notez toutefois que ces graphiques peuvent généralement afficher uniquement quelques attributs à la fois, alors que l'algorithme MNN (Microsoft Neural Network) analyse de nombreuses interactions complexes entres plusieurs entrées. De plus, le modèle de réseau neuronal détecte de nombreuses corrélations qui sont trop subtiles pour être exprimées dans un graphique.

Si vous voulez exporter les diagrammes ou faire une présentation d'un modèle de réseau neuronal complexe, vous pouvez également utiliser le complément Modèles d'exploration de données pour Visio. Ce complément gratuit pour Visio 2007 fournit des diagrammes élaborés et personnalisables pour des modèles d'exploration de données que vous pouvez utiliser dans des présentations ou des rapports. Pour plus d'informations, consultez Data Mining Add-ins for Office 2007 (en anglais).

Retour en haut

Tâche suivante de la leçon

Ajout d'un modèle de régression logistique à la structure de centre d'appels (Didacticiel sur l'exploration de données intermédiaire)

Voir aussi

Tâches

Référence

Concepts