Contenido del modelo de minería de datos para los modelos de red neuronal (Analysis Services - Minería de datos)

Se aplica a: SQL Server 2019 y versiones anteriores de Analysis Services Azure Analysis Services Fabric/Power BI Premium

En este tema se describe el contenido del modelo de minería de datos específico de los modelos que utilizan el algoritmo de red neuronal de Microsoft. Para obtener una explicación de cómo interpretar estadísticas y estructura compartidas por todos los tipos de modelos y definiciones generales de términos relacionados con el contenido del modelo de minería de datos, vea Contenido del modelo de minería de datos (Analysis Services - Minería de datos).

Descripción de la estructura de un modelo de red neuronal

Cada modelo de red neuronal tiene un nodo primario único que representa el modelo y sus metadatos, y un nodo de estadísticas marginal (NODE_TYPE = 24) que proporciona estadísticas descriptivas sobre los atributos de entrada. El nodo de estadísticas marginal es útil porque resume información sobre las entradas, de modo que no necesite consultar los datos de los nodos individuales.

Debajo de estos dos nodos hay al menos dos nodos más y podría haber muchos más, en función de cuántos atributos de predicción tenga el modelo.

• El primer nodo (NODE_TYPE = 18) siempre representa el nodo superior del nivel de entrada. Bajo este nodo superior, puede encontrar los nodos de entrada (NODE_TYPE = 21) que contienen los atributos de entrada reales y sus valores.

• Cada nodo sucesivo contiene una subred diferente (NODE_TYPE = 17). Cada subred siempre contiene un nivel oculto (NODE_TYPE = 19) y un nivel de salida (NODE_TYPE = 20) para esa subred.

La información del nivel de entrada es simple: el nodo superior de cada nivel de entrada (NODE_TYPE = 18) actúa como un organizador para una colección de nodos de entrada (NODE_TYPE = 21). El contenido de los nodos de entrada se describe en la tabla siguiente.

Cada subred (NODE_TYPE = 17) representa el análisis de la influencia del nivel de entrada en un atributo de predicción determinado. Si hay varias salidas de predicción, hay varias subredes. El nivel oculto de cada subred contiene varios nodos ocultos (NODE_TYPE = 22) que contienen los detalles sobre los pesos de cada transición que finaliza en ese nodo oculto en especial.

El nivel de salida (NODE_TYPE = 20) contiene los nodos de salida (NODE_TYPE = 23) que contiene cada uno valores distintos del atributo de predicción. Si el atributo de predicción es un tipo de datos numéricos continuo, solo hay un nodo de salida para el atributo.

La manera más fácil de explorar la estructura de las entradas y subredes consiste en usar el Visor de árbol de contenido genérico de Microsoft. Puede hacer clic en cualquier nodo para expandirlo y ver los nodos secundarios, o ver los pesos y otras estadísticas que contiene el nodo.

Para trabajar con los datos y ver cómo pone en correlación el modelo las entradas y las salidas, puede usar el Visor de redes neuronales de Microsoft. Con este visor personalizado, puede filtrar los atributos de entrada y sus valores, y ver gráficamente cómo afectan a las salidas. La información sobre herramientas del visor muestra la probabilidad y la mejora respecto al modelo de predicción asociados a cada par de valores de entrada y de salida. Para más información, vea Examinar un modelo usando el Visor de redes neuronales de Microsoft.

Contenido de un modelo de red neuronal

En esta sección solo se proporcionan detalles y ejemplos de las columnas del contenido del modelo de minería de datos que tienen una relevancia especial para las redes neuronales. Para obtener información sobre las columnas de uso general del conjunto de filas de esquema, como MODEL_CATALOG y MODEL_NAME, que no se describen aquí o para obtener explicaciones de la terminología del modelo de minería de datos, vea Contenido del modelo de minería de datos (Analysis Services - Minería de datos).

MODEL_CATALOG
Nombre de la base de datos en la que se almacena el modelo.

MODEL_NAME
Nombre del modelo.

ATTRIBUTE_NAME
Nombres de los atributos que corresponden a este nodo.

NODE_NAME
El nombre del nodo. Esta columna contiene el mismo valor que NODE_UNIQUE_NAME.

NODE_UNIQUE_NAME
Nombre único del nodo.

Para obtener más información sobre cómo proporcionan los nombres e identificadores información estructural sobre el modelo, consulte la sección Usar nombres de nodo e identificadores.

NODE_TYPE
Un modelo de red neuronal genera únicamente los tipos de nodos siguientes:

NODE_CAPTION
Etiqueta o título asociado al nodo. En los modelos de red neuronal, siempre está en blanco.

CHILDREN_CARDINALITY
Cálculo del número de elementos secundarios que tiene el nodo.

PARENT_UNIQUE_NAME
Nombre único del nodo primario del nodo. Se devuelve NULL para todos los nodos del nivel raíz.

Para obtener más información sobre cómo proporcionan los nombres e identificadores información estructural sobre el modelo, consulte la sección Usar nombres de nodo e identificadores.

NODE_DESCRIPTION
Descripción fácil de comprender del nodo.

NODE_RULE
Descripción XML de la regla que está incrustada en el nodo.

MARGINAL_RULE
En los modelos de red neuronal, siempre está en blanco.

NODE_PROBABILITY
Probabilidad asociada a este nodo. En los modelos de red neuronal, siempre es 0.

MARGINAL_PROBABILITY
Probabilidad de alcanzar el nodo desde el nodo primario. En los modelos de red neuronal, siempre es 0.

NODE_DISTRIBUTION
Tabla anidada que contiene la información estadística para el nodo. Para más información sobre el contenido de esta tabla para cada tipo de nodo, vea la sección Descripción de la tabla NODE_DISTRIBUTION.

NODE_SUPPORT
En los modelos de red neuronal, siempre es 0.

Para obtener información sobre la compatibilidad en los casos de entrenamiento para valores concretos, vea el nodo de estadísticas marginales.

MSOLAP_MODEL_COLUMN

MSOLAP_NODE_SCORE
En un modelo de red neuronal, siempre es 0.

MSOLAP_NODE_SHORT_CAPTION
En los modelos de red neuronal, siempre está en blanco.

Comentarios

El propósito de entrenar un modelo de red neuronal es determinar los pesos que están asociados a cada transición de una entrada a un punto medio y de un punto medio a un extremo. Por consiguiente, el nivel de entrada del modelo existe principalmente para almacenar los valores reales que se usaron para generarlo. El nivel oculto almacena los pesos que se calcularon y proporciona punteros a los atributos de entrada. El nivel de salida almacena los valores de predicción y también proporciona punteros a los puntos medios en el nivel oculto.

Usar nombres de nodo e identificadores

La denominación de los nodos de un modelo de red neuronal proporciona información adicional sobre el tipo de nodo, para facilitar relacionar el nivel oculto con el nivel de entrada y el nivel de salida con el nivel oculto. En la tabla siguiente se muestra la convención para los identificadores que están asignados a los nodos de cada nivel.

Puede determinar qué atributos de entrada se relacionan con un nodo de nivel oculto concreto viendo la tabla NODE_DISTRIBUTION en el nodo oculto (NODE_TYPE = 22). Cada fila de la tabla NODE_DISTRIBUTION contiene el identificador de un nodo de atributo de entrada.

De igual forma, puede determinar qué niveles ocultos se relacionan con un atributo de salida viendo la tabla NODE_DISTRIBUTION en el nodo de salida (NODE_TYPE = 23). Cada fila de la tabla NODE_DISTRIBUTION contiene el identificador de un nodo del nivel oculto, junto con el coeficiente relacionado.

Interpretar la información de la tabla NODE_DISTRIBUTION

La tabla NODE_DISTRIBUTION puede estar vacía en algunos nodos. Sin embargo, para los nodos de entrada, los nodos del nivel oculto y los nodos de salida, la tabla NODE_DISTRIBUTION almacena información importante e interesante sobre el modelo. Como ayuda para interpretar esta información, la tabla NODE_DISTRIBUTION contiene una columna VALUETYPE para cada fila que indica si el valor de la columna ATTRIBUTE_VALUE es Discreto (4), Discretizado (5) o Continuo (3).

Nodos de entrada

El nivel de entrada contiene un nodo para cada valor del atributo que se utilizó en el modelo.

Atributo discreto: el nodo de entrada solo almacena el nombre del atributo y su valor en las columnas ATTRIBUTE_NAME y ATTRIBUTE_VALUE. Por ejemplo, si [Work Shift] es la columna, se crea un nodo independiente para cada valor de esa columna que se utilizó en el modelo, como AM y PM. La tabla NODE_DISTRIBUTION para cada nodo muestra solo el valor actual del atributo.

Atributo numérico de datos discretos: el nodo de entrada almacena el nombre del atributo y el valor, que puede ser un intervalo o un valor concreto. Todos los valores se representan mediante expresiones, como "77.4 - 87.4" o " < 64.0" para el valor de [Time Per Issue]. La tabla NODE_DISTRIBUTION para cada nodo muestra solo el valor actual del atributo.

Atributo continuo: el nodo de entrada almacena el valor medio del atributo. La tabla NODE_DISTRIBUTION para cada nodo muestra solo el valor actual del atributo.

Nodos del nivel oculto

El nivel oculto contiene un número variable de nodos. En cada uno, la tabla NODE_DISTRIBUTION contiene las asignaciones del nivel oculto a los nodos del nivel de entrada. La columna ATTRIBUTE_NAME contiene un identificador de nodo que corresponde a un nodo del nivel de entrada. La columna ATTRIBUTE_VALUE contiene el peso asociado a esa combinación de nodo de entrada y nodo de nivel oculto. La última fila de la tabla contiene un coeficiente que representa el peso de ese nodo oculto en el nivel oculto.

Nodos de salida

El nivel de salida contiene un nodo de salida para cada valor de salida que se utilizó en el modelo. En cada nodo, la tabla NODE_DISTRIBUTION contiene las asignaciones del nivel de salida a los nodos del nivel oculto. La columna ATTRIBUTE_NAME contiene un identificador de nodo que corresponde a un nodo del nivel oculto. La columna ATTRIBUTE_VALUE contiene el peso asociado a esa combinación de nodo de salida y nodo de nivel oculto.

La tabla NODE_DISTRIBUTION tiene la información adicional siguiente, en función de si el tipo del atributo es:

Atributo discreto: las dos filas finales de la tabla NODE_DISTRIBUTION contienen un coeficiente para el nodo en conjunto y el valor actual del atributo.

Un atributo numérico de datos discretos: idéntico a los atributos discretos, solo que el valor del atributo es un intervalo de valores.

Atributo continuo: las dos filas finales de la tabla NODE_DISTRIBUTION contienen la media del atributo, el coeficiente para el nodo en conjunto y la varianza del coeficiente.

Consulte también

Microsoft Neural Network Algorithm
Referencia técnica del algoritmo de red neuronal de Microsoft
Ejemplos de consultas de modelos de red neuronal