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

Aplica-se a: SQL Server 2019 e anteriores do Analysis Services Azure Analysis Services Fabric/Power BI Premium

Este tópico descreve o conteúdo do modelo de mineração que é específico para modelos que usam o algoritmo Rede Neural da Microsoft. Para obter uma explicação de como interpretar estatísticas e estrutura compartilhadas por todos os tipos de modelo e definições gerais de termos relacionados ao conteúdo do modelo de mineração, consulte Conteúdo do modelo de mineração (Analysis Services – Mineração de Dados).

Entendendo a estrutura de um modelo de rede neural

Cada modelo de rede neural tem um único nó pai que representa o modelo e seus metadados, além de um nó de estatísticas marginais (NODE_TYPE = 24) que fornece estatísticas descritivas sobre os atributos de entrada. O nó de estatísticas marginais é útil porque resume informações sobre entradas, para que não seja necessário consultar dados de nós individuais.

Sob esses dois nós, há pelo menos mais dois nós, e talvez haja mais, dependendo da quantidade de atributos previsíveis do modelo.

• O primeiro nó (NODE_TYPE = 18) sempre representa o nó superior da camada de entrada. Sob esse nó superior, é possível encontrar nós de entrada (NODE_TYPE = 21) que contêm os atributos de entrada reais e seus valores.

• Nós sucessivos contêm uma sub-rede diferente (NODE_TYPE = 17). Cada sub-rede sempre contém uma camada oculta (NODE_TYPE = 19) e uma cama da de saída (NODE_TYPE = 20) para essa sub-rede.

As informações na camada de entrada são objetivas: o nó superior de cada camada de entrada (NODE_TYPE = 18) atua como um organizador de uma coleção de nós de entrada (NODE_TYPE = 21). O conteúdo dos nós de entrada é descrito na tabela a seguir.

Cada sub-rede (NODE_TYPE = 17) representa a análise da influência da camada de entrada em um determinado atributo previsível. Se houver várias saídas previsíveis, haverá várias sub-redes. A camada oculta de cada sub-rede contém vários nós ocultos (NODE_TYPE = 22) que contêm detalhes sobre os pesos de cada transição que termina nesse nó oculto em particular.

A camada de saída (NODE_TYPE = 20) contém nós de saída (NODE_TYPE = 23) que contêm valores distintos do atributo previsível. Se o atributo previsível for um tipo de dados numérico contínuo, haverá apenas um nó de saída para o atributo.

A maneira mais fácil de explorar a estrutura das entradas e sub-redes é utilizar o Visualizador de Árvore de Conteúdo Genérica da Microsoft. Você pode clicar em qualquer nó para expandi-lo e visualizar os nós filho ou exibir os pesos e outras estatísticas contidas no nó.

Para trabalhar com os dados e verificar como o modelo correlaciona entradas com saídas, use o Visualizador de Rede Neural da Microsoft. Ao usar esse visualizador personalizado, você pode filtrar os atributos de entrada e seus valores e visualizar graficamente como eles afetam as saídas. As dicas de ferramentas no visualizador mostram a probabilidade e a comparação de precisão associadas a cada par de valores de entrada e saída. Para obter mais informações, consulte Procurar um modelo usando o Visualizador de Rede Neural da Microsoft.

Conteúdo de um modelo de rede neural

Esta seção fornece detalhes e exemplos somente das colunas do conteúdo do modelo de mineração que são relevantes para redes neurais. Para obter informações sobre colunas de uso geral no conjunto de linhas de esquema, como MODEL_CATALOG e MODEL_NAME, que não são descritas aqui ou para obter explicações sobre a terminologia do modelo de mineração, consulte Conteúdo do modelo de mineração (Analysis Services – Mineração de Dados).

MODEL_CATALOG
Nome do banco de dados no qual o modelo é armazenado.

MODEL_NAME
Nome do modelo.

ATTRIBUTE_NAME
Os nomes dos atributos que correspondem a este nó.

NODE_NAME
O nome do nó. Esta coluna contém o mesmo valor que NODE_UNIQUE_NAME.

NODE_UNIQUE_NAME
Nome exclusivo do nó.

Para obter mais informações sobre como os nomes e as IDs fornecem dados estruturais sobre o modelo, consulte a seção, Usando nomes e IDs de nós.

NODE_TYPE
Um modelo de rede neural produz apenas os seguintes tipos de nó:

NODE_CAPTION
Um rótulo ou uma legenda associada ao nó. Em modelos de rede neural, sempre em branco.

CHILDREN_CARDINALITY
Uma estimativa do número de filhos do nó.

PARENT_UNIQUE_NAME
O nome exclusivo do nó pai. NULL é retornado para todos os nós em nível raiz.

Para obter mais informações sobre como os nomes e as IDs fornecem dados estruturais sobre o modelo, consulte a seção, Usando nomes e IDs de nós.

NODE_DESCRIPTION
Uma descrição amigável do nó.

NODE_RULE
Uma descrição XML da regra é inserida no nó.

MARGINAL_RULE
Para modelos de rede neural, sempre em branco.

NODE_PROBABILITY
A probabilidade associada a este nó. Para modelos de rede neural, sempre 0.

MARGINAL_PROBABILITY
A probabilidade de que o nó seja alcançado a partir do nó pai. Para modelos de rede neural, sempre 0.

NODE_DISTRIBUTION
Uma tabela aninhada que contém informações estatísticas para o nó. Para obter informações detalhadas sobre o conteúdo dessa tabela para cada tipo de nó, consulte a seção Entendendo a tabela NODE_DISTRIBUTION.

NODE_SUPPORT
Para modelos de rede neural, sempre 0.

Para obter informações sobre o suporte nos casos de treinamento para valores específicos, consulte o nó de estatísticas marginais.

MSOLAP_MODEL_COLUMN

MSOLAP_NODE_SCORE
Para um modelo de rede neural, sempre 0.

MSOLAP_NODE_SHORT_CAPTION
Para modelos de rede neural, sempre em branco.

Comentários

O objetivo do treinamento de um modelo de rede neural é determinar os pesos associados a cada transição de uma entrada para um ponto médio, e de um ponto médio para um ponto de extremidade. Assim, a camada de entrada do modelo existe principalmente para armazenar os valores reais usados para criar o modelo. A camada oculta armazena os pesos que foram computados e fornece ponteiros para os atributos de entrada. A camada de saída armazena os valores previsíveis e também fornece ponteiros para os pontos médios na camada oculta.

Usando nomes e IDs de nós

A nomenclatura dos nós em um modelo de rede neural fornece mais informações sobre o tipo de nó, para tornar mais fácil relacionar a camada oculta à camada de entrada, e a camada de saída à camada oculta. A tabela a seguir mostra a convenção para as IDs atribuídas aos nós em cada camada.

Você pode determinar quais atributos de entrada estão relacionados a um nó da camada oculta específico exibindo a tabela NODE_DISTRIBUTION no nó oculto (NODE_TYPE = 22). Cada linha da tabela NODE_DISTRIBUTION contém a ID de um nó de atributo de entrada.

De modo semelhante, você pode determinar quais camadas ocultas estão relacionadas a um atributo de saída exibindo a tabela NODE_DISTRIBUTION no nó de saída (NODE_TYPE = 23). Cada linha da tabela NODE_DISTRIBUTION contém a ID de um nó da camada oculta, junto com o coeficiente relacionado.

Interpretando as informações na tabela NODE_DISTRIBUTION

A tabela NODE_DISTRIBUTION pode estar vazia em alguns nós. No entanto, para nós de entrada, nós da camada oculta e nós de saída, a tabela NODE_DISTRIBUTION armazena informações importantes e interessantes sobre o modelo. Para ajudá-lo a interpretar essas informações, a tabela NODE_DISTRIBUTION contém uma coluna VALUETYPE para cada linha que informa se o valor na coluna ATTRIBUTE_VALUE é Discreto (4), Diferenciado (5) ou Contínuo (3).

Nós de entrada

A camada de entrada contém um nó para cada valor do atributo que foi usado no modelo.

Atributo discreto: O nó de entrada armazena apenas o nome do atributo e seu valor nas colunas ATTRIBUTE_NAME e ATTRIBUTE_VALUE. Por exemplo, se [Turno de Trabalho] for a coluna, um nó separado será criado para cada valor dessa coluna que foi usado no modelo, como AM e PM. A tabela NODE_DISTRIBUTION para cada nó lista apenas o valor atual do atributo.

Atributo numérico discreto: O nó de entrada armazena o nome do atributo e o valor, que pode ser um intervalo ou valor específico. Todos os valores são representados por expressões, como '77.4 - 87.4' ou ' < 64.0' para o valor do [Tempo por Problema]. A tabela NODE_DISTRIBUTION para cada nó lista apenas o valor atual do atributo.

Atributo contínuo: O nó de entrada armazena o valor médio do atributo. A tabela NODE_DISTRIBUTION para cada nó lista apenas o valor atual do atributo.

Nós da camada oculta

A camada oculta contém um número variável de nós. Em cada nó, a tabela NODE_DISTRIBUTION contém mapeamentos da camada oculta para os nós na camada de entrada. A coluna ATTRIBUTE_NAME contém uma ID de nó que corresponde a um nó na camada de entrada. A coluna ATTRIBUTE_VALUE contém o peso associado à combinação de nó de entrada e nó da camada oculta. A última linha na tabela contém um coeficiente que representa o peso do nó oculto na camada oculta.

Nós de saída

A camada de saída contém um nó de saída para cada valor de saída usado no modelo. Em cada nó, a tabela NODE_DISTRIBUTION contém mapeamentos da camada de saída para os nós na camada oculta. A coluna ATTRIBUTE_NAME contém uma ID de nó que corresponde a um nó na camada oculta. A coluna ATTRIBUTE_VALUE contém o peso associado à combinação de nó de saída e nó da camada oculta.

A tabela NODE_DISTRIBUTION tem as seguintes informações adicionais, dependendo do tipo de atributo:

Atributo discreto: As duas linhas finais da tabela NODE_DISTRIBUTION contêm um coeficiente para os nós como um todo, e o valor atual do atributo.

Atributo numérico discreto: Idêntico aos atributos discretos, exceto pelo fato de o valor do atributo ser um intervalo de valores.

Atributo contínuo: As duas linhas finais da tabela NODE_DISTRIBUTION contêm a média do atributo, o coeficiente do nó como um todo e a variação do coeficiente.

Consulte Também

Algoritmo Rede Neural da Microsoft
Microsoft Neural Network Algorithm Technical Reference
Neural Network Model Query Examples