Contenido del modelo de minería de datos (Analysis Services - Minería de datos)

En la tabla siguiente se enumeran los diferentes tipos de nodos que se generan en los modelos de minería de datos. Dado que cada algoritmo procesa la información de manera diferente, cada modelo genera sólo unos tipos concretos de nodos. Si cambia el algoritmo, el tipo de nodo puede cambiar. Además, si vuelve a procesar el modelo, el contenido de cada nodo puede cambiar.

El nodo raíz de cualquier modelo siempre tiene el identificador único 0 (NODE_UNIQUE_NAME). Analysis Services asigna automáticamente todos los identificadores de nodo y no se pueden modificar.

El nodo raíz para cada modelo también contiene algunos metadatos básicos sobre el modelo. Estos metadatos incluyen la base de datos de Analysis Services donde el modelo está almacenado (MODEL_CATALOG), el esquema (MODEL_SCHEMA) y el nombre del modelo (MODEL_NAME). Sin embargo, esta información se repite en todos los nodos del modelo, de modo que no necesita consultar el nodo raíz para obtener estos metadatos.

Además de un nombre utilizado como identificador único, cada nodo tiene un nombre (NODE_NAME). Este nombre lo crea automáticamente el algoritmo para la presentación y no se puede modificar.

El algoritmo genera automáticamente el título y la descripción para cada nodo, que actúan como etiquetas para ayudarle a entender el contenido del nodo. El texto generado para cada campo depende del tipo de modelo. En algunos casos, el nombre, el título y la descripción pueden contener exactamente la misma cadena, pero, en algunos modelos, la descripción puede contener información adicional. Consulte el tema sobre el tipo de modelo individual para obtener detalles de la implementación.

La relación entre los nodos primarios y los nodos secundarios en una estructura de árbol se determina mediante el valor de la columna PARENT_UNIQUE_NAME. Este valor está almacenado en el nodo secundario y le indica el identificador del nodo primario. A continuación se proporcionan algunos ejemplos de cómo se podría utilizar esta información:

• Una columna PARENT_UNIQUE_NAME que sea NULL significa que el nodo es el nodo superior del modelo.

• Si el valor de PARENT_UNIQUE_NAME es 0, el nodo debe ser un descendiente directo del nodo superior en el modelo. Esto se debe a que el identificador del nodo raíz es 0 siempre.

• Puede utilizar funciones dentro de una consulta de Extensiones de minería de datos (DMX) para encontrar los descendientes o los elementos primarios de un nodo determinado. Para obtener más información sobre cómo utilizar funciones en las consultas, vea Consultar modelos de minería de datos (Analysis Services - Minería de datos).

La cardinalidad hace referencia al número de elementos en un conjunto. En el contexto de un modelo de minería de datos procesado, la cardinalidad indica el número de elementos secundarios de un nodo determinado. Por ejemplo, si un modelo de árbol de decisión tuviera un nodo para [Ingresos anuales] y ese nodo tuviera dos nodos secundarios, uno para la condición [Ingresos anuales] = Altos y otro para la condición [Ingresos anuales] = Bajos, el valor de CHILDREN_CARDINALITY para el nodo [Ingresos anuales] sería 2.

Aunque la cardinalidad se contabiliza de la misma manera para todos los modelos, la forma en que se interpreta o usa el valor de la cardinalidad difiere según el tipo del modelo. Por ejemplo, en un modelo de agrupación en clústeres, la cardinalidad del nodo superior indica el número total de clústeres que se encontraron. En otros tipos de modelos, la cardinalidad puede tener siempre un valor establecido que depende del tipo de nodo. Para obtener más información sobre cómo interpretar la cardinalidad, vea el tema sobre el tipo de modelo individual.

La columna NODE_DISTRIBUTION contiene una tabla anidada que en muchos nodos proporciona información importante y detallada sobre los modelos que detecta el algoritmo. Las estadísticas exactas que se proporcionan en esta tabla cambian según el tipo de modelo, la posición del nodo en el árbol y si el atributo de predicción es un valor numérico continuo o discreto; sin embargo, pueden incluir los valores mínimo y máximo de un atributo, los pesos asignados a los valores, el número de casos de un nodo, los coeficientes que se usan en una fórmula de regresión y medidas estadísticas como la desviación estándar y la varianza. Para obtener más información sobre cómo interpretar la distribución de los nodos, consulte el tema correspondiente al tipo específico de modelo con el que está trabajando.

La tabla anidada, NODE_DISTRIBUTION, siempre contiene las columnas siguientes. El contenido de cada columna varía según el tipo del modelo. Para obtener más información sobre tipos de modelo concretos, vea Contenido del modelo de minería de datos por tipo de algoritmo.

• ATTRIBUTE_NAME
  El contenido varía según el algoritmo. Puede ser el nombre de una columna, como un atributo de predicción, una regla, un conjunto de elementos o un fragmento de información interno al algoritmo, como parte de una fórmula.

  Esta columna también puede contener un par atributo-valor.

• ATTRIBUTE_VALUE
  Valor del atributo denominado en ATTRIBUTE_NAME.

  Si el nombre de atributo es una columna, en el caso más sencillo, ATTRIBUTE_VALUE contiene uno de los valores discretos para esa columna.

  En función de cómo el algoritmo procese los valores, ATTRIBUTE_VALUE también puede contener un marcador que indique si existe un valor para el atributo (Existing) o si el valor es nulo (Missing).

  Por ejemplo, si un modelo se configura para encontrar los clientes que han comprado por lo menos una vez un elemento determinado, la columna ATTRIBUTE_NAME podría contener el par atributo-valor que define el elemento de interés, como Model = 'Water bottle' y la columna ATTRIBUTE_VALUE contendría únicamente la palabra clave Existing o Missing.

• SUPPORT
  Recuento de los casos que tienen este par atributo-valor o que contienen este conjunto de elementos o regla.

  En general, para cada nodo, el valor de compatibilidad indica cuántos casos en el conjunto de entrenamiento están incluidos en el nodo actual. En la mayor parte de los tipos de modelo, la compatibilidad representa un recuento exacto de casos. Los valores de compatibilidad son útiles porque se puede ver la distribución de los datos dentro de los casos de entrenamiento sin tener que consultar los datos de entrenamiento. El servidor de Analysis Services también utiliza estos valores almacenados para calcular la probabilidad almacenada con respecto a la probabilidad anterior, a fin de determinar si la inferencia es fuerte o débil.

  Por ejemplo, en un árbol de clasificación, el valor de compatibilidad indica el número de casos que tienen la combinación descrita de atributos.

  En un árbol de decisión, la suma de compatibilidad en cada nivel de un árbol suma la compatibilidad de su nodo primario. Por ejemplo, si un modelo que contiene 1200 casos se divide igualmente por género y, a continuación, se subdivide igualmente por tres valores para Ingresos (Bajos, Medios y Altos), los nodos secundarios del nodo (2), que son los nodos (4), (5) y (6), siempre suman el mismo número de casos que el nodo (2).

  Identificador de nodo y atributos de nodo	Recuento válido
  (1) Raíz del modelo	1200
  (2) Género = Varón (3) Género = Mujer	600 600
  (4) Género = Varón e Ingresos = Altos (5) Género = Varón e Ingresos = Medios (6) Género = Varón e Ingresos = Bajos	200 200 200
  (7) Género = Mujer e Ingresos = Altos (8) Género = Mujer e Ingresos = Medios (9) Género = Mujer e Ingresos = Bajos	200 200 200

  En un modelo de agrupación en clústeres, la cifra correspondiente a la compatibilidad se puede ponderar para incluir las probabilidades de pertenecer a varios clústeres. La pertenencia a varios clústeres es el método de agrupación en clústeres predeterminado. En este escenario, dado que cada caso no pertenece necesariamente a un clúster y solo a uno, la compatibilidad en estos modelos podría no sumar el 100 por ciento a través de todos los clústeres.

• PROBABILITY
  Indica la probabilidad para este nodo concreto dentro del modelo completo.

  Generalmente, la probabilidad representa la compatibilidad para este valor determinado, dividido por el recuento total de casos dentro del nodo (NODE_SUPPORT).

  Sin embargo, la probabilidad se ajusta ligeramente para eliminar la desviación producida por los valores que están ausentes en los datos.

  Por ejemplo, si los valores actuales para [Elementos secundarios totales] es 'Uno' y 'Dos', es aconsejable evitar crear un modelo que prediga que es imposible no tener ningún elemento secundario o tener tres. Para asegurarse de que los valores ausentes son improbables, pero no imposibles, el algoritmo suma siempre 1 al recuento de valores reales para cualquier atributo.

  Ejemplo:

  Probabilidad de [Elementos secundarios totales = Uno] = [Recuento de casos donde elementos secundarios totales = Uno] +1/[Recuento de todos los casos] +3

  Probabilidad de [Elementos secundarios totales = Dos] = [Recuento de casos donde elementos secundarios totales = Dos] +1/[Recuento de todos los casos] +3

  [!NOTA]

  El ajuste de 3 se calcula sumando 1 al número total de valores existentes, n.

  Después del ajuste, las probabilidades de todos los valores suman todavía 1. La probabilidad para el valor sin datos (en este ejemplo, [Elementos secundarios totales = 'Cero', 'Tres' o algún otro valor]), se inicia en un nivel distinto de cero muy bajo y sube despacio cuando se agregan más casos.

• VARIANCE
  Indica la varianza de los valores dentro del nodo. Por definición, la varianza siempre es 0 para los valores discretos. Si el modelo admite valores continuos, la varianza se calcula como σ (sigma), utilizando el denominador n o el número de casos en el nodo.

  En general se usan dos definiciones para representar la desviación estándar (StDev). Un método para calcular la desviación estándar tiene en cuenta la desviación de la cuenta y otro método calcula la desviación estándar sin utilizar la desviación. En general, los algoritmos de minería de datos de Microsoft no utilizan la desviación al calcular la desviación estándar.

  El valor que aparece en la tabla NODE_DISTRIBUTION es el valor real para todos los atributos discretos y discretizados, y la media para los valores continuos.

• VALUE_TYPE
  Indica el tipo de datos del valor o un atributo, y el uso del valor. Ciertos tipos de valores sólo se aplican a ciertos tipos de modelos:

  VALUE_TYPE ID	Etiqueta del valor	Nombre del tipo de valor
  1	Ausente	Indica que los datos del caso no contenían un valor para este atributo. El estado Missing se calcula de forma independiente de los atributos que tienen valores.
  2	Existente	Indica que los datos del caso contienen un valor para este atributo.
  3	Continuo	Indica que el valor del atributo es un valor numérico continuo y, por consiguiente, puede ser representado por una media, junto con la varianza y la desviación estándar.
  4	Discreta	Indica un valor, numérico o de texto, que se trata como discreto. Nota   Los valores discretos también pueden ser ausentes; sin embargo, se tratan de forma diferente al realizar cálculos. Para obtener información, vea Valores ausentes (Analysis Services - Minería de datos).
  5	Discretizada	Indica que el atributo contiene valores numéricos que se han discretizado. El valor será una cadena con formato que describe los depósitos de discretización.
  6	Existente	Indica que el atributo tiene valores numéricos continuos y que los valores se han proporcionado en los datos, frente a los valores que están ausentes o se han deducido.
  7	Coeficiente	Indica un valor numérico que representa un coeficiente. Un coeficiente es un valor que se aplica al calcular el valor de la variable dependiente. Por ejemplo, si un modelo crea una fórmula de regresión que predice los ingresos según la edad, el coeficiente se utiliza en la fórmula que relaciona la edad con los ingresos.
  8	Ganancia de puntuación	Indica un valor numérico que representa la ganancia de puntuación para un atributo.
  9	Estadísticas	Indica un valor numérico que representa una estadística para un regresor.
  10	Nombre de nodo exclusivo	Indica que el valor no se debería tratar como numérico o cadena, sino como el identificador único de otro nodo de contenido en un modelo. Por ejemplo, en un modelo de red neuronal, los identificadores proporcionan punteros de los nodos del nivel de salida a los nodos del nivel oculto y de los nodos del nivel oculto a los nodos del nivel de salida.
  11	Interceptar	Indica un valor numérico que representa la intersección en una fórmula de regresión.
  12	Periodicidad	Indica que el valor denota una estructura periódica en un modelo. Solo se aplica a los modelos de serie temporal que contienen un modelo ARIMA. Nota El algoritmo de serie temporal de Microsoft detecta automáticamente estructuras periódicas según los datos de entrenamiento. Como resultado, las periodicidades en el modelo final pueden incluir valores de periodicidad que no se proporcionaron como parámetro al crear el modelo.
  13	Orden de regresión automática	Indica que el valor representa el número de serie de regresión automática. Se aplica a los modelos de serie temporal que utilizan el algoritmo ARIMA.
  14	Orden de media móvil	Representa el número de medias móviles en una serie. Se aplica a los modelos de serie temporal que utilizan el algoritmo ARIMA.
  15	Orden de diferencia	Indica que el valor muestra cuántas veces se diferencia la serie. Se aplica a los modelos de serie temporal que utilizan el algoritmo ARIMA.
  16	Booleano	Representa un tipo booleano.
  17	Otro	Representa un valor personalizado definido por el algoritmo.
  18	Cadena representada	Representa un valor personalizado que el algoritmo representa como una cadena. El modelo de objetos no aplicó ningún formato.

  Los tipos de valores se derivan de la enumeración ADMOMD.NET. Para obtener más información, vea MiningValueType.

El significado de la puntuación del nodo difiere en función del tipo de modelo y también puede ser específico del tipo de nodo. Para obtener información sobre cómo se calcula NODE_SCORE para cada modelo y tipo de nodo, vea Contenido del modelo de minería de datos por tipo de algoritmo.

El conjunto de filas de esquema de modelos de minería de datos incluye las columnas NODE_PROBABILITY y MARGINAL_PROBABILITY para todos los tipos de modelos. Estas columnas sólo contienen valores en los nodos en los que un valor de probabilidad es significativo. Por ejemplo, el nodo raíz de un modelo nunca contiene una puntuación de probabilidad.

En aquellos nodos que proporcionan puntuaciones de probabilidad, la probabilidad de nodo y las probabilidades marginales representan cálculos diferentes.

• La probabilidad marginal es la probabilidad de alcanzar el nodo a partir de su elemento primario.

• La probabilidad de nodo es la probabilidad de alcanzar el nodo desde la raíz.

• La probabilidad de nodo siempre es mayor o igual que la probabilidad marginal.

Por ejemplo, si la población de todos los clientes en un árbol de decisión está dividida por igual por el género (y no falta ningún valor), la probabilidad de los nodos secundarios debería ser 5. Sin embargo, suponga que cada uno de los nodos correspondientes al género se divide por igual en los niveles de ingresos: Altos, Medios y Bajos. En este caso, la puntuación MARGINAL_PROBABILITY de cada nodo secundario siempre debería ser 0,33, pero el valor NODE_PROBABILTY será el producto de todas las probabilidades que conducen a ese nodo y, por tanto, siempre será menor que el valor de MARGINAL_PROBABILITY.

El conjunto de filas de esquema de modelos de minería de datos también incluye las columnas NODE_RULE y MARGINAL_RULE para todos los tipos de modelos. Estas columnas contienen fragmentos XML que se pueden utilizar para serializar un modelo o para representar alguna parte de la estructura del modelo. Estas columnas pueden estar en blanco para algunos nodos, si un valor careciera de sentido.

Se proporcionan dos tipos de reglas XML, similares a los dos tipos de valores de probabilidad. El fragmento XML en MARGINAL_RULE define el atributo y el valor para el nodo actual, mientras que el fragmento XML en NODE_RULE describe la ruta de acceso al nodo actual desde la raíz del modelo.

Volver al principio