Algoritmi di data mining (Analysis Services - Data mining)

Si applica a: SQL Server 2019 e versioni precedenti di Analysis Services Azure Analysis Services Fabric/Power BI Premium

Un algoritmo in data mining (o Machine Learning) è un set di approcci euristici e calcoli che consente di creare un modello dai dati. Per creare un modello, tramite l'algoritmo vengono innanzitutto analizzati i dati forniti, ricercando tipi specifici di modelli o tendenze. I risultati dell'analisi vengono usati dall'algoritmo su più interazioni per definire i parametri ottimali per la creazione del modello di data mining. Questi parametri vengono quindi applicati all'intero set di dati per estrarre modelli utilizzabili e statistiche dettagliate.

Il modello di data mining creato da un algoritmo con i dati in uso può avere forme diverse, tra cui:

• Set di cluster con cui viene descritto in che modo i case di un set di dati sono correlati.

• Albero delle decisioni per la stima di un risultato e per la descrizione della modalità con cui criteri diversi possono incidere su tale risultato.

• Modello matematico per la previsione delle vendite.

• Set di regole mediante le quali viene descritto in che modo i prodotti vengono raggruppati in una transazione e le probabilità con cui tali prodotti vengano acquistati insieme.

Gli algoritmi forniti in SQL Server data mining sono i metodi più diffusi e ben ricercati di derivazione di modelli dai dati. Per prendere un esempio, il clustering K-means è uno degli algoritmi di clustering meno recenti ed è disponibile ampiamente in molti strumenti diversi e con molte diverse implementazioni e opzioni. Tuttavia, la particolare implementazione del clustering K-means usata in SQL Server data mining è stata sviluppata da Microsoft Research e quindi ottimizzata per le prestazioni con SQL Server Analysis Services. Tutti gli algoritmi di data mining di Microsoft possono essere ampiamente personalizzati e sono completamente programmabili tramite le API fornite. È anche possibile automatizzare la creazione, il training e il training dei modelli usando i componenti di data mining in Integration Services.

È possibile utilizzare inoltre algoritmi di terze parti che siano conformi alla specifica OLE DB per il data mining o che consentano lo sviluppo di algoritmi personalizzati registrabili come servizi, quindi utilizzati all'interno del framework Data Mining di SQL Server.

Scelta dell'algoritmo corretto

La scelta dell'algoritmo più appropriato da utilizzare per un'attività analitica specifica può rivelarsi complessa. Sebbene sia possibile utilizzare algoritmi diversi per eseguire la stessa attività aziendale, ogni algoritmo produce un risultato diverso e alcuni algoritmi possono produrre più di un tipo di risultato. È ad esempio possibile utilizzare l'algoritmo Microsoft Decision Trees non solo per la stima, ma anche per ridurre il numero di colonne in un set di dati, in quanto l'albero delle decisioni consente di identificare le colonne che non influiscono sul modello di data mining finale.

Scelta di un algoritmo in base al tipo

SQL Server data mining include i tipi di algoritmo seguenti:

• Algoritmi di classificazione che consentono di stimare una o più variabili discrete, in base agli altri attributi del set di dati.

• Algoritmi di regressione che consentono di stimare una o più variabili continue, ad esempio profitto o perdita, in base ad altri attributi del set di dati.

• Algoritmi di segmentazione che consentono di dividere i dati in gruppi, o cluster, di elementi con proprietà simili.

• Algoritmi di associazione che consentono di trovare le correlazioni tra attributi diversi in un set di dati. L'applicazione più comune di questo tipo di algoritmo è costituita dall'utilizzo per la creazione di regole di associazione, che è possibile utilizzare in Market basket analysis.

• Algoritmi di analisi delle sequenze che consentono di riepilogare sequenze o episodi frequenti nei dati, ad esempio una serie di clic in un sito Web o una serie di eventi di log che precedono la manutenzione del computer.

Tuttavia, non esiste alcun motivo per cui sia necessario limitarsi all'utilizzo di un solo algoritmo nelle soluzioni. Analisti esperti utilizzeranno qualche volta un algoritmo per determinare gli input più efficaci, ovvero variabili, quindi applicheranno un algoritmo diverso per stimare un risultato specifico in base a tali dati. SQL Server data mining consente di creare più modelli in una singola struttura di data mining, quindi all'interno di una singola soluzione di data mining è possibile usare un algoritmo di clustering, un modello di alberi delle decisioni e un modello Naïve Bayes per ottenere visualizzazioni diverse sui dati. È possibile usare inoltre più algoritmi in una singola soluzione per eseguire attività separate. Ad esempio, è possibile usare la regressione per ottenere previsioni finanziarie e usare un algoritmo della rete neurale per eseguire un'analisi dei fattori che incidono sulle previsioni.

Scelta di un algoritmo in base all'attività

Per facilitare la selezione di un algoritmo da utilizzare con un'attività specifica, nella tabella seguente sono disponibili suggerimenti sui tipi di attività per cui ciascun algoritmo viene utilizzato in modo tradizionale.

Contenuto correlato

La sezione seguente fornisce collegamenti alle risorse di apprendimento per ognuno degli algoritmi di data mining forniti in SQL Server data mining:

• Descrizione dell'algoritmo di base: illustra le operazioni dell'algoritmo e le modalità di funzionamento e descrive i possibili scenari aziendali in cui l'algoritmo potrebbe essere utile.

  • Algoritmo Microsoft Association Rules

  • Algoritmo Microsoft Clustering

  • Algoritmo Microsoft Decision Trees

  • Algoritmo Microsoft Linear Regression

  • Algoritmo Microsoft Logistic Regression

  • Algoritmo Microsoft Naive Bayes

  • Microsoft Neural Network Algorithm

  • Algoritmo Microsoft Sequence Clustering

  • Algoritmo Microsoft Time Series

• Riferimento tecnico: fornisce dettagli tecnici sull'implementazione dell'algoritmo, con riferimenti accademici in base alle esigenze. Sono elencati i parametri che è possibile impostare per controllare il comportamento dell'algoritmo e personalizzare i risultati nel modello. Vengono descritti i requisiti dei dati e forniti suggerimenti sulle prestazioni, se possibile.

  • Riferimento tecnico per l'algoritmo Microsoft Association Rules

  • Riferimento tecnico per l'algoritmo Microsoft Clustering

  • Guida di riferimento tecnico per l'algoritmo Microsoft Decision Trees

  • Riferimento tecnico per l'algoritmo Microsoft Linear Regression

  • Riferimento tecnico per l'algoritmo Microsoft Logistic Regression

  • Riferimento tecnico per l'algoritmo Microsoft Naive Bayes

  • Microsoft Neural Network Algorithm Technical Reference

  • Riferimento tecnico per l'algoritmo Microsoft Sequence Clustering

  • Riferimento tecnico per l'algoritmo Microsoft Time Series

• Contenuto del modello: spiega come le informazioni sono strutturate all'interno di ogni tipo di modello di data mining e spiega come interpretare le informazioni archiviate in ognuno dei nodi.

  • Contenuto dei modelli di data mining per i modelli di associazione (Analysis Services - Data mining)

  • Contenuto dei modelli di data mining per i modelli di clustering (Analysis Services - Data mining)

  • Mining Model Content for Decision Tree Models (Analysis Services - Data Mining)

  • Contenuto dei modelli di data mining per i modelli di regressione lineare (Analysis Services - Data mining)

  • Contenuto dei modelli di data mining per i modelli di regressione logistica (Analysis Services - Data mining)

  • Contenuto dei modelli di data mining per i modelli Naive Bayes (Analysis Services - Data mining)

  • Mining Model Content for Neural Network Models (Analysis Services - Data Mining)

  • Contenuto dei modelli di data mining per i modelli Sequence Clustering (Analysis Services - Data mining)

  • Contenuto dei modelli di data mining per i modelli Time Series (Analysis Services - Data mining)

• Query di data mining: fornisce più query che è possibile usare con ogni tipo di modello. Negli esempi sono incluse query contenuto che consentono di acquisire informazioni sui modelli nel modello e query di stima per facilitare la compilazione di stime in base a tali modelli.

  • Esempi di query sul modello di associazione

  • Esempi di query sul modello di clustering

  • Esempi di query sul modello di alberi delle decisioni

  • Esempi di query sul modello di regressione lineare

  • Esempi di query sul modello di regressione logistica

  • Esempi di query sul modello Naive Bayes

  • Esempi di query sul modello di rete neurale

  • Sequence Clustering Model Query Examples

  • Esempi di query del modello Time Series|

Attività correlate

Vedere anche

Strumenti di data mining