Personalizando um modelo de mineração de dados (Analysis Services – Mineração de dados)

Alterando os dados usados pelo modelo

As decisões relacionadas a quais colunas de dados serão usadas no modelo e como usar e processar os dados podem afetar consideravelmente os resultados da análise. Os tópicos a seguir fornecem informações para ajudá-lo a entender essas escolhas.

• Modelos de mineração (Analysis Services – Mineração de Dados)

  Fornece uma visão geral da arquitetura de um modelo de mineração, incluindo a estrutura de mineração subjacente e a escolha das colunas de mineração.

• Criando filtros para modelos de mineração (Analysis Services - Mineração de dados)

  Explica como você pode criar filtros adequados a um modelo de mineração para criar modelos com base em um subconjunto de dados da estrutura de mineração.

• Seleção de recursos em mineração de dados.

  Explica como o Analysis Services usa um processo chamado seleção de recursos para selecionar apenas os atributos mais úteis para serem adicionados a um modelo. A redução do número de colunas e atributos pode melhorar o desempenho e a qualidade do modelo. Os métodos de seleção de recursos disponíveis diferem de acordo com o algoritmo escolhido.

Se você usar o Assistente para Mineração de Dados, o Analysis Services poderá selecionar, automaticamente, os dados mais úteis para criar um determinado modelo.

Personalizando as configurações do algoritmo

A escolha do algoritmo determina que tipo de resultados você terá. Para obter informações gerais sobre como um algoritmo específico funciona ou sobre os cenários de negócio onde você se beneficiaria ao usar um algoritmo específico, consulte Algoritmos de mineração de dados (Analysis Services – Mineração de Dados).

Os algoritmos de mineração de dados fornecidos no Analysis Services também são extensivamente personalizáveis. Você pode controlar o comportamento do algoritmo e como ele processa os dados definindo parâmetros de algoritmo. Os tópicos a seguir fornecem informações detalhadas sobre os parâmetros que cada algoritmo suporta.

Referência técnica do algoritmo Árvores de Decisão da Microsoft

Referência técnica do algoritmo Microsoft Clustering

Referência técnica do algoritmo Microsoft Naive Bayes

Referência técnica do algoritmo de associação da Microsoft

Referência técnica do algoritmo MSC

Referência técnica do algoritmo Rede Neural da Microsoft

Referência técnica do algoritmo Regressão Logística da Microsoft

Referência Técnica do Algoritmo de Regressão Linear da Microsoft

Referência técnica do algoritmo MTS

O tópico para cada tipo algoritmo também lista as funções de previsão que podem ser usadas com modelos com base em algoritmo.

Lista de parâmetros de algoritmo

Cada algoritmo aceita parâmetros que podem ser usados para personalizar o comportamento do algoritmo e ajustar os resultados do modelo. Para obter uma descrição de como usar cada parâmetro, consulte os tópicos a seguir:

Nome da propriedade	Aplica-se a
AUTO_DETECT_PERIODICITY	Referência técnica do algoritmo MTS
CLUSTER_COUNT	Referência técnica do algoritmo Microsoft Clustering Referência técnica do algoritmo MSC
CLUSTER_SEED	Referência técnica do algoritmo Microsoft Clustering
CLUSTERING_METHOD	Referência técnica do algoritmo Microsoft Clustering
COMPLEXITY_PENALTY	Referência técnica do algoritmo Árvores de Decisão da Microsoft Referência técnica do algoritmo MTS
FORCED_REGRESSOR	Referência técnica do algoritmo Árvores de Decisão da Microsoft Referência Técnica do Algoritmo de Regressão Linear da Microsoft
FORECAST_METHOD	Referência técnica do algoritmo MTS
HIDDEN_NODE_RATIO	Referência técnica do algoritmo Rede Neural da Microsoft
HISTORIC_MODEL_COUNT	Referência técnica do algoritmo MTS
HISTORICAL_MODEL_GAP	Referência técnica do algoritmo MTS
HOLDOUT_PERCENTAGE	Referência técnica do algoritmo Regressão Logística da Microsoft Referência técnica do algoritmo Rede Neural da Microsoft Observação Este parâmetro é diferente do valor da porcentagem de controle que se aplica a uma estrutura de mineração.
HOLDOUT_SEED	Referência técnica do algoritmo Regressão Logística da Microsoft Referência técnica do algoritmo Rede Neural da Microsoft Observação Este parâmetro é diferente do valor da semente de controle que se aplica a uma estrutura de mineração.
INSTABILITY_SENSITIVITY	Referência técnica do algoritmo MTS
MAXIMUM_INPUT_ATTRIBUTES	Referência técnica do algoritmo Microsoft Clustering Referência técnica do algoritmo Árvores de Decisão da Microsoft Referência Técnica do Algoritmo de Regressão Linear da Microsoft Referência técnica do algoritmo Microsoft Naive Bayes Referência técnica do algoritmo Rede Neural da Microsoft Referência técnica do algoritmo Regressão Logística da Microsoft
MAXIMUM_ITEMSET_COUNT	Referência técnica do algoritmo de associação da Microsoft
MAXIMUM_ITEMSET_SIZE	Referência técnica do algoritmo de associação da Microsoft
MAXIMUM_OUTPUT_ATTRIBUTES	Referência técnica do algoritmo Árvores de Decisão da Microsoft Referência Técnica do Algoritmo de Regressão Linear da Microsoft Referência técnica do algoritmo Regressão Logística da Microsoft Referência técnica do algoritmo Microsoft Naive Bayes Referência técnica do algoritmo Rede Neural da Microsoft
MAXIMUM_SEQUENCE_STATES	Referência técnica do algoritmo MSC
MAXIMUM_SERIES_VALUE	Referência técnica do algoritmo MTS
MAXIMUM_STATES	Referência técnica do algoritmo Microsoft Clustering Referência técnica do algoritmo Rede Neural da Microsoft Referência técnica do algoritmo MSC
MAXIMUM_SUPPORT	Referência técnica do algoritmo de associação da Microsoft
MINIMUM_IMPORTANCE	Referência técnica do algoritmo de associação da Microsoft
MINIMUM_ITEMSET_SIZE	Referência técnica do algoritmo de associação da Microsoft
MINIMUM_DEPENDENCY_PROBABILITY	Referência técnica do algoritmo Microsoft Naive Bayes
MINIMUM_PROBABILITY	Referência técnica do algoritmo de associação da Microsoft
MINIMUM_SERIES_VALUE	Referência técnica do algoritmo MTS
MINIMUM_SUPPORT	Referência técnica do algoritmo de associação da Microsoft Referência técnica do algoritmo Microsoft Clustering Referência técnica do algoritmo Árvores de Decisão da Microsoft Referência técnica do algoritmo MSC Referência técnica do algoritmo MTS
MISSING_VALUE_SUBSTITUTION	Referência técnica do algoritmo MTS
MODELLING_CARDINALITY	Referência técnica do algoritmo Microsoft Clustering
PERIODICITY_HINT	Referência técnica do algoritmo MTS
PREDICTION_SMOOTHING	Referência técnica do algoritmo MTS
SAMPLE_SIZE	Referência técnica do algoritmo Microsoft Clustering Referência técnica do algoritmo Regressão Logística da Microsoft Referência técnica do algoritmo Rede Neural da Microsoft
SCORE_METHOD	Referência técnica do algoritmo Árvores de Decisão da Microsoft
SPLIT_METHOD	Referência técnica do algoritmo Árvores de Decisão da Microsoft
STOPPING_TOLERANCE	Referência técnica do algoritmo Microsoft Clustering

Requisitos adicionais

Personalizando resultados usando consultas e funções de previsão

Depois que o modelo foi criado e processado, você pode exibir as informações usando um dos visualizadores específicos para cada modelo. Como alternativa, você pode criar consultas personalizadas usando DMX (Data Mining Extensions) para obter informações avançadas e mais detalhadas sobre os padrões de dados encontrados.

Para obter informações sobre como criar consultas que retornam o conteúdo do modelo, consulte Consultando modelos de mineração de dados (Analysis Services - Mineração de dados).

Você pode usar funções para ampliar os resultados retornados por um modelo de mineração. Algumas funções também retornam estatísticas que representam a probabilidade de um resultado ou outras pontuações. Além disso, os algoritmos individuais também podem dar suporte a funções adicionais. Por exemplo, se um modelo de mineração usa clustering, você pode usar funções especiais para localizar informações sobre clusters. Entretanto, se seu modelo tem como base o algoritmo de série temporal, há um conjunto diferente de funções disponíveis para fazer previsões e consultar o conteúdo do modelo. Para obter mais informações, consulte o tópico de referência técnica de cada algoritmo.

Para obter exemplos de como consultar um modelo de mineração e usar funções de previsão projetadas para tipos específicos de modelos, consulte Consultando modelos de mineração de dados (Analysis Services - Mineração de dados).

Para obter uma lista das funções de previsão aceitas por todos os tipos de algoritmos, consulte Mapeando funções para tipos de consulta (DMX).

Avaliando alterações em um modelo

Quando você faz experiências com modelos diferentes para resolver um problema comercial, ou cria variações de um modelo, precisa medir a precisão de cada modelo e avaliar como cada um deles responde ao problema comercial. Para obter informações gerais sobre avaliação de modelos de mineração de dados, consulte Validando modelos de mineração de dados [Analysis Services - Mineração de Dados]. Para obter mais informações sobre representar em gráficos a precisão de modelos de mineração diferentes, consulte Ferramentas para criar gráficos de precisão de modelos (Analysis Services - Mineração de dados).

Consulte também

Conceitos