Algorithmes d'exploration de données (Analysis Services - Exploration de données)
Un algorithme d’exploration de données est un ensemble d’heuristiques et de calculs qui crée un modèle d’exploration de données à partir de données. Pour créer un modèle, l'algorithme analyse d'abord les données que vous fournissez, à la recherche de types spécifiques de modèles ou de tendances. L'algorithme utilise les résultats de cette analyse afin de définir les paramètres optimaux pour la création du modèle d'exploration de données. Ensuite, ces paramètres sont appliqués au jeu de données entier pour extraire des modèles utilisables et des statistiques détaillées.
Le modèle d'exploration de données qu'un algorithme crée à partir de vos données peut prendre des formes variées, dont les suivantes :
Un ensemble de clusters qui décrivent la manière dont les cas sont liés dans un dataset.
Un arbre de décision qui prédit les résultats et décrit comment les différents critères affectent ces résultats.
Un modèle mathématique permettant de prévoir les ventes.
Un ensemble de règles qui décrivent la manière dont les produits sont regroupés dans une transaction et les probabilités que les produits soient achetés ensemble.
Microsoft SQL Server Analysis Services fournit plusieurs algorithmes à utiliser dans vos solutions d’exploration de données. Ces algorithmes sont des implémentations de certaines méthodologies les plus populaires utilisées dans l'exploration de données. Tous les algorithmes d'exploration de données Microsoft peuvent être personnalisés et sont entièrement programmables à l'aide des interfaces API fournies, ou en utilisant des composants d'exploration de données dans SQL Server Integration Services.
Vous pouvez également utiliser des algorithmes tiers qui sont conformes à la spécification OLE DB pour l'exploration de données, ou développer des algorithmes personnalisés qui peuvent être inscrits en tant que services, puis utilisés dans l'infrastructure d'exploration de données SQL Server.
Choix de l'algorithme adéquat
Le choix du meilleur algorithme à utiliser pour une tâche analytique spécifique peut être un véritable défi. Vous pouvez utiliser des algorithmes différents pour effectuer la même tâche professionnelle, mais chaque algorithme produit un résultat différent et certains algorithmes peuvent produire plusieurs types de résultats. Par exemple, vous pouvez utiliser l'algorithme MDT (Microsoft Decision Trees) non seulement pour les prédictions, mais aussi pour réduire le nombre de colonnes d'un jeu de données, car l'arbre de décision peut identifier les colonnes qui n'ont aucune incidence sur le modèle d'exploration de données final.
Choix d'un algorithme par type
Analysis Services comprend les types d’algorithmes suivants :
Lesalgorithmes de classification prévoient une ou plusieurs variables discrètes, en fonction des autres attributs du jeu de données.
Les algorithmes de régression prédisent une ou plusieurs variables continues, telles que le bénéfice ou la perte, en fonction d’autres attributs du jeu de données.
Lesalgorithmes de segmentation répartissent les données dans des groupes (ou clusters) d’éléments possédant des propriétés similaires.
Lesalgorithmes d’association recherchent des corrélations entre différents attributs d’un jeu de données. L'application la plus courante de ce genre d'algorithme concerne la création de règles d'association, utilisables dans une analyse de panier d'achat.
Les algorithmes d’analyse de séquence résument des séquences ou des épisodes fréquents dans des données, comme un flux de chemin d’accès Web.
Toutefois, il n'y a aucune raison pour laquelle vous devriez être limité à un algorithme dans vos solutions. Les analystes expérimentés utilisent parfois un algorithme pour déterminer les entrées les plus efficaces (autrement dit, les variables), puis appliquent un algorithme différent pour prédire un résultat spécifique en fonction de ces données. L'exploration de données SQL Server vous permet de générer plusieurs modèles sur une structure d'exploration de données unique ; ainsi, avec une seule solution d'exploration de données, vous pouvez utiliser un algorithme de clustering, un modèle d'arbres de décision et un modèle Bayes naïve pour obtenir des vues différentes de vos données. Vous pouvez également utiliser plusieurs algorithmes dans une seule solution afin d'effectuer des tâches distinctes : par exemple, vous pouvez utiliser la régression pour obtenir des prévisions financières et un algorithme de réseau neuronal pour effectuer une analyse des facteurs qui influencent les ventes.
Choix d'un algorithme par tâche
Pour vous aider à sélectionner un algorithme en vue d'une utilisation avec une tâche spécifique, le tableau suivant fournit des suggestions pour les types de tâches pour lesquelles chaque algorithme est traditionnellement utilisé.
Exemples de tâches | Algorithmes Microsoft à utiliser |
---|---|
Prédiction d’un attribut discret Signaler les clients dans une liste de prospects comme intéressants ou inintéressants. Calculer la probabilité qu'un serveur échoue dans les 6 mois suivants. Classer les résultats des patients et explorer les facteurs connexes. |
Algorithme MDT (Microsoft Decision Trees) Algorithme MNB (Microsoft Naive Bayes) Algorithme de clustering Microsoft Microsoft Neural Network Algorithm |
Prédiction d’un attribut continu Prévoir les ventes de l'année suivante. Prédire les visiteurs du site compte tendu des tendances historiques et saisonnières passées. Générer un score de risque en fonction de données démographiques. |
Algorithme MDT (Microsoft Decision Trees) Algorithme MTS (Microsoft Time Series) Algorithme MLR (Microsoft Linear Regression) |
Prédiction d’une séquence Effectuer une analyse des parcours de visite du site Web d'une société. Analyser les facteurs conduisant à la défaillance d'un serveur. Capturer et analyser les séquences d'activités pendant les visites de patients, afin de formuler les meilleures pratiques autour des activités courantes. |
Algorithme MSC (Microsoft Sequence Clustering) |
Recherche de groupes d’éléments courants dans les transactions Utiliser l'analyse du panier d'achat pour déterminer le placement d'un produit. Suggérer des produits supplémentaires à acheter par un client. Analyser les données d'enquête de participants à un événement afin de rechercher les activités qui ont été mises en corrélation, pour planifier de futures activités. |
Algorithme Microsoft Association Algorithme MDT (Microsoft Decision Trees) |
Recherche de groupes d’éléments similaires Créer des groupes de patients avec profils à risque basés sur des attributs tels que des données démographiques et des comportements. Analyser les utilisateurs par consultation des habitudes d'achat. Identifier les serveurs qui ont des caractéristiques d'utilisation similaires. |
Algorithme de clustering Microsoft Algorithme MSC (Microsoft Sequence Clustering) |
Contenu associé
Le tableau suivant fournit des liens vers des ressources d’apprentissage pour chacun des algorithmes d’exploration de données fournis dans Analysis Services :
Tâches associées
Rubrique | Description |
---|---|
Déterminer l'algorithme utilisé par un modèle d'exploration de données | Interroger les paramètres utilisés pour créer un modèle d'exploration de données |
Créer un algorithme de plug-in personnalisé | Algorithmes de plug-in |
Explorer un modèle à l'aide d'une visionneuse d'algorithme | Visionneuses de modèle d’exploration de données |
Afficher le contenu d'un modèle à l'aide d'un format tabulaire générique | Explorer un modèle à l'aide de la visionneuse de l'arborescence de contenu générique Microsoft |
En savoir plus sur la configuration de vos données et l'utilisation d'algorithmes pour créer des modèles | Structures d'exploration de données (Analysis Services – exploration de données) Modèles d'exploration de données (Analysis Services - Exploration de données) |