Algoritmos de mineração de dados (Analysis Services – Mineração de Dados)

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

Um algoritmo na mineração de dados (ou aprendizado de máquina) é um conjunto de heurística e cálculos que cria um modelo com base nos dados. Para criar um modelo, o algoritmo primeiro analisa os dados que você fornece, procurando tipos de padrões ou tendências específicos. O algoritmo usa os resultados dessa análise em muitas iterações para definir os parâmetros ideais para criar o modelo de mineração. Esses parâmetros são aplicados pelo conjunto de dados inteiro para extrair padrões acionáveis e estatísticas detalhadas.

O modelo de mineração que um algoritmo cria a partir de seus dados pode assumir vários formatos, incluindo:

• Um conjunto de clusters que descreve como os casos em um conjunto de dados estão relacionados.

• Uma árvore de decisão que prevê um resultado e descreve como critérios diferentes afetam esse resultado.

• Um modelo matemático que prevê as vendas.

• Um conjunto de regras que descreve como são agrupados produtos em uma transação e as probabilidades de que os produtos sejam comprados juntos.

Os algoritmos fornecidos no SQL Server Data Mining são os métodos mais populares e bem pesquisados de derivar padrões de dados. Para obter um exemplo, k-means clustering é um dos algoritmos de clustering mais antigos e está disponível amplamente em muitas ferramentas diferentes e com muitas implementações e opções diferentes. No entanto, a implementação específica de K-means clustering usada no SQL Server Data Mining foi desenvolvida pela Microsoft Research e, em seguida, otimizada para desempenho com SQL Server Analysis Services. Todos os algoritmos de mineração de dados da Microsoft podem ser amplamente personalizados e são totalmente programáveis usando as APIs fornecidas. Você também pode automatizar a criação, o treinamento e o novo treinamento de modelos usando os componentes de mineração de dados no Integration Services.

Você também pode usar algoritmos de terceiros em conformidade com a OLE DB para Mineração de Dados ou desenvolver algoritmos personalizados que podem ser registrados como serviços e, em seguida, usados dentro da estrutura de Mineração de Dados do SQL Server.

Escolhendo o algoritmo certo

A escolha do melhor algoritmo para uma tarefa analítica específica pode ser um desafio. Embora você possa usar algoritmos diferentes para executar a mesma tarefa empresarial, cada algoritmo produz um resultado diferente e alguns podem produzir mais de um tipo de resultado. Por exemplo, você pode usar o algoritmo Árvores de Decisão da Microsoft não apenas para previsão, mas também como uma maneira de reduzir o número de colunas em um conjunto de dados, uma vez que a árvore de decisão pode identificar colunas que não afetam o modelo de mineração final.

Escolhendo um algoritmo por tipo

SQL Server Data Mining inclui os seguintes tipos de algoritmo:

• Algoritmos de classificação preveem uma ou mais variáveis discretas, com base nos outros atributos do conjunto de dados.

• Algoritmos de regressão preveem uma ou mais variáveis numéricas contínuas, como lucro ou perda, com base nos outros atributos do conjunto de dados.

• Algoritmos de segmentação dividem dados em grupos ou clusters de itens que têm propriedades semelhantes.

• Algoritmos de associação encontram correlações entre atributos diferentes em um conjunto de dados. A aplicação mais comum desse tipo de algoritmo é para criar regras de associação, que podem ser usadas em uma análise da cesta de compras.

• Algoritmos de análise de sequência resumem sequências ou episódios frequentes em dados, como uma série de cliques em um site da Web ou uma série de eventos de log de manutenção de computador anteriores.

Porém, não há nenhuma razão para você ficar limitado a um algoritmo em suas soluções. Os analistas experientes às vezes usam um algoritmo para determinar as entradas mais efetivas (ou seja, variáveis) e então aplicam um algoritmo diferente para prever um resultado específico baseado naqueles dados. SQL Server Data Mining permite que você crie vários modelos em uma única estrutura de mineração, portanto, em uma única solução de mineração de dados, você pode usar um algoritmo de clustering, um modelo de árvores de decisão e um modelo Naïve Bayes para obter exibições diferentes sobre seus dados. Você também pode usar vários algoritmos em uma única solução para executar tarefas separadas, por exemplo, você pode usar regressão para obter previsões financeiras e um algoritmo de rede neural para executar uma análise de fatores que influenciam as previsões.

Escolhendo um algoritmo por tarefa

Para ajudar você a selecionar um algoritmo para usar com uma tarefa específica, a tabela a seguir fornece sugestões para os tipos de tarefas para as quais cada algoritmos é tradicionalmente usado.

Conteúdo relacionado

A seção a seguir fornece links para recursos de aprendizado para cada um dos algoritmos de mineração de dados fornecidos no SQL Server Data Mining:

• Descrição básica do algoritmo: explica o que o algoritmo faz e como ele funciona e descreve possíveis cenários de negócios em que o algoritmo pode ser útil.

  • Algoritmo Associação da Microsoft

  • Algoritmo Microsoft Clustering

  • Algoritmo Árvores de Decisão da Microsoft

  • Algoritmo Regressão Linear da Microsoft

  • Algoritmo Regressão Logística da Microsoft

  • Referência técnica do algoritmo Naive Bayes da Microsoft

  • Algoritmo Rede Neural da Microsoft

  • Microsoft Sequence Clustering Algorithm

  • Algoritmo MTS

• Referência técnica: fornece detalhes técnicos sobre a implementação do algoritmo, com referências acadêmicas conforme necessário. Lista os parâmetros que podem ser definidos para controlar o comportamento do algoritmo e personalizar os resultados no modelo. Descreve os requisitos de dados e fornece dicas de desempenho se possível.

  • 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 de Regressão Linear da Microsoft

  • Referência técnica do algoritmo Regressão Logística da Microsoft

  • Referência técnica do algoritmo Microsoft Naive Bayes

  • Microsoft Neural Network Algorithm Technical Reference

  • Referência técnica do algoritmo MSC

  • Referência técnica do algoritmo MTS

• Conteúdo do modelo: explica como as informações são estruturadas em cada tipo de modelo de mineração de dados e explica como interpretar as informações armazenadas em cada um dos nós.

  • Conteúdo do modelo de mineração para modelos de associação (Analysis Services – Mineração de Dados)

  • Conteúdo do modelo de mineração para modelos de clustering (Analysis Services – Mineração de Dados)

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

  • Conteúdo do modelo de mineração para modelos de regressão linear (Analysis Services – Mineração de Dados)

  • Conteúdo do modelo de mineração para modelos de regressão logística (Analysis Services – Mineração de Dados)

  • Conteúdo do modelo de mineração para modelos Naive Bayes (Analysis Services – Mineração de Dados)

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

  • Conteúdo do modelo de mineração para modelos de clustering de sequências (Analysis Services – Mineração de Dados)

  • Conteúdo do modelo de mineração para modelos de série temporal (Analysis Services – Mineração de dados)

• Consultas de mineração de dados: fornece várias consultas que você pode usar com cada tipo de modelo. Os exemplos incluem consultas de conteúdo que permitem que você saiba mais sobre os padrões no modelo e consultas de previsão que o ajudarão a criar previsões com base nesses padrões.

  • Exemplos de consulta de um modelo de associação

  • Exemplos de consulta de modelo de clustering

  • Exemplos de consulta de modelo de árvores de decisão

  • Exemplos de consulta de modelo de regressão linear

  • Exemplos de consulta de modelo de regressão logística

  • Exemplos de consulta de modelo Naive Bayes

  • Neural Network Model Query Examples

  • Sequence Clustering Model Query Examples

  • Exemplos de consulta de modelo de série temporal|

Related Tasks

Consulte Também

Ferramentas de mineração de dados