Contenu du modèle d'exploration de données pour les modèles Naive Bayes (Analysis Services - Exploration de données)

Cette rubrique décrit le contenu du modèle d'exploration de données spécifique aux modèles utilisant l'algorithme Naive Bayes Microsoft. Pour une explication sur la procédure d'interprétation des statistiques et de la structure partagées par tous les types de modèle, et pour obtenir des définitions générales des termes en rapport avec le contenu du modèle d'exploration de données, consultez Contenu du modèle d'exploration de données (Analysis Services - Exploration de données).

Présentation de la structure d'un modèle Naive Bayes

Un modèle Naive Bayes possède un nœud parent unique qui représente le modèle et ses métadonnées, et sous ce nœud parent, un nombre donné d’arborescences indépendantes représentant les attributs prédictibles que vous avez sélectionnés. Outre les arborescences des attributs, chaque modèle contient un nœud de statistiques marginales (NODE_TYPE = 26) qui fournit des statistiques descriptives sur le jeu de cas d'apprentissage. Pour plus d’informations, consultez Informations du nœud de statistiques marginales.

Pour chaque attribut et valeur prédictibles, le modèle génère une arborescence contenant des informations qui décrivent comment les différentes colonnes d'entrée ont affecté le résultat de l’élément prédictible concerné. Chaque arborescence contient l'attribut prédictible et sa valeur (NODE_TYPE = 9), puis une série de nœuds qui représentent les attributs d'entrée (NODE_TYPE = 10). Comme les attributs d'entrée ont généralement plusieurs valeurs, chaque attribut d'entrée (NODE_TYPE = 10) peut avoir plusieurs nœuds enfants (NODE_TYPE = 11), chacun correspondant à un état spécifique de l'attribut.

[!REMARQUE]

Comme un modèle Naive Bayes n'autorise pas les types de données continues, toutes les valeurs des colonnes d'entrée sont traitées comme discrètes ou discrétisées. Vous pouvez spécifier comment une valeur est discrétisée. Pour plus d'informations, consultez Modifier la discrétisation d'une colonne dans un modèle d'exploration de données.

Contenu d’un modèle Naive Bayes

Cette section fournit des informations et des exemples liés uniquement aux colonnes du contenu du modèle d'exploration de données se rapportant aux modèles Naive Bayes.

Pour plus d'informations sur les colonnes à caractère général de l'ensemble de lignes de schéma, telles que MODEL_CATALOG et MODEL_NAME, non décrites ici, ou pour obtenir des explications sur la terminologie relative aux modèles d'exploration de données, consultez Contenu du modèle d'exploration de données (Analysis Services - Exploration de données).

• MODEL_CATALOG
  Nom de la base de données où le modèle est stocké.

• MODEL_NAME
  Nom du modèle.

• ATTRIBUTE_NAME
  Noms des attributs correspondant à ce nœud.

  Racine du modèle   Nom de l'attribut prédictible.

Statistiques marginales Non applicable

**Attribut prédictible**   Nom de l'attribut prédictible.

**Attribut d’entrée**   Nom de l’attribut d’entrée.

**État d’attribut d’entrée**    Nom de l’attribut d'entrée uniquement. Pour obtenir l'état, utilisez MSOLAP\_NODE\_SHORT\_CAPTION.

• NODE_NAME
  Nom du nœud.

  Cette colonne contient la même valeur que NODE_UNIQUE_NAME.

  Pour plus d'informations sur les conventions d'affectation des noms de nœud, consultez Utilisation de noms de nœud et ID.

• NODE_UNIQUE_NAME
  Nom unique du nœud. Les noms uniques sont affectés selon une convention qui fournit des informations sur les relations entre les nœuds. Pour plus d'informations sur les conventions d'affectation des noms de nœud, consultez Utilisation de noms de nœud et ID.

• NODE_TYPE
  Un modèle Naive Bayes génère les types de nœud suivants :

  ID du type de nœud	Description
  26 (NaiveBayesMarginalStatNode)	Contient des statistiques qui décrivent le jeu complet de cas d'apprentissage pour le modèle.
  9 (attribut prédictible)	Contient le nom de l'attribut prédictible.
  10 (Attribut d'entrée)	Contient le nom d’une colonne d’attribut d’entrée ainsi que les nœuds enfants comportant les valeurs de l’attribut.
  11 (État d'attribut d'entrée)	Contient les valeurs ou les valeurs discrétisées de tous les attributs d'entrée associés à un attribut de sortie donné.

• NODE_CAPTION
  Étiquette ou légende associée au nœud. Cette propriété est principalement utilisée à des fins d'affichage.

  Racine du modèle   vide

Statistiques marginales vide

**Attribut prédictible**   Nom de l'attribut prédictible.

**Attribut d'entrée**   Nom de l'attribut prédictible et de l'attribut d'entrée actuel. Ex :

Bike Buyer -\> Age

**État de l'attribut d'entrée**   Nom de l'attribut prédictible et de l'attribut d'entrée actuel, ainsi que la valeur de l'entrée. Ex :

Bike Buyer -\> Age = Missing

• CHILDREN_CARDINALITY
  Nombre d'enfants de ce nœud.

  Racine du modèle   Nombre d'attributs prédictibles du modèle plus 1 pour le nœud de statistiques marginales.

Statistiques marginales Par définition n’ont pas d’enfants.

Attribut prédictible Nombre d'attributs d'entrée liés à l'attribut prédictible actuel.

**Attribut d’entrée**   Nombre de valeurs discrètes ou discrétisées pour l’attribut d’entrée actuel.

**État d’attribut d'entrée**   Toujours 0.

• PARENT_UNIQUE_NAME
  Nom unique du nœud parent. Pour plus d'informations sur la liaison entres nœuds parents et nœuds enfants, consultez Utilisation de noms de nœud et ID.

• NODE_DESCRIPTION
  Identique à la légende du nœud.

• NODE_RULE
  Représentation XML de la légende du nœud.

• MARGINAL_RULE
  Identique à la règle du nœud.

• NODE_PROBABILITY
  Probabilité associée à ce nœud.

  Racine du modèle   Toujours 0.

Statistiques marginales Toujours 0.

attribut prédictible Toujours 1.

**Attribut d'entrée**   Toujours 1.

**État d'attribut d'entrée**   Nombre décimal qui représente la probabilité de la valeur actuelle. Valeurs pour tous les états d'attribut d'entrée sous le nœud d'attribut d'entrée parent s’élevant à 1.

• MARGINAL_PROBABILITY
  Identique à la probabilité du nœud.

• NODE_DISTRIBUTION
  Table qui contient l'histogramme de probabilité du nœud. Pour plus d'informations, consultez la table NODE_DISTRIBUTION.

• NODE_SUPPORT
  Nombre de cas qui prennent en charge ce nœud.

  Racine du modèle    Nombre de tous les cas figurant dans les données d'apprentissage.

Statistiques marginales Toujours 0.

attribut prédictible Nombre de tous les cas figurant dans les données d’apprentissage.

**Attribut d'entrée**   Nombre de tous les cas figurant dans les données d’apprentissage.

**État d’attribut d’entrée**   Nombre de cas figurant dans les données d’apprentissage qui contiennent uniquement la valeur en question.

• MSOLAP_MODEL_COLUMN
  Étiquette utilisée à des fins d'affichage. Généralement identique à ATTRIBUTE_NAME.

• MSOLAP_NODE_SCORE
  Représente l’importance de l’attribut ou de la valeur au sein du modèle.

  Racine du modèle   Toujours 0.

Statistiques marginales Toujours 0.

attribut prédictible Toujours 0.

**Attribut d'entrée**   Score d'intérêt et de pertinence pour l'attribut d'entrée actuel par rapport à l'attribut prédictible actuel.

**État d’attribut d'entrée**   Toujours 0.

• MSOLAP_NODE_SHORT_CAPTION
  Chaîne de texte qui représente le nom ou la valeur d’une colonne.

  Racine du modèle   Vide

Statistiques marginales Vide

Attribut prédictible Nom de l'attribut prédictible.

**Attribut d’entrée**   Nom de l’attribut d’entrée.

**État d'attribut d'entrée**   Valeur ou valeur discrétisée de l'attribut d'entrée.

Utilisation de noms de nœud et ID

La dénomination des nœuds d’un modèle Naive Bayes fournit des informations supplémentaires sur le type de nœud afin de pouvoir appréhender plus facilement les relations entre les informations du modèle. La table suivante présente la convention relative aux ID assignés aux différents types de nœuds.

Type de nœud	Convention pour l'ID de nœud
Racine du modèle (1)	Toujours 0.
Marginal statistics node (26)	Valeur d'ID arbitraire.
attribut prédictible (9)	Nombre hexadécimal commençant par 10000000 Exemple : 100000001, 10000000b
Attribut d'entrée (10)	Nombre hexadécimal bipartite où la première partie est toujours 20000000 et où la deuxième partie commence par l'identificateur hexadécimal de l'attribut prédictible connexe. Exemple : 20000000b00000000 Dans ce cas, l'attribut prédictible connexe est 10000000b.
État d'attribut d'entrée (11)	Nombre hexadécimal tripartite où la première partie est toujours 30000000, où la deuxième partie commence par l'identificateur hexadécimal de l'attribut prédictible connexe et où la troisième partie représente l'identificateur de la valeur. Exemple : 30000000b00000000200000000 Dans ce cas, l'attribut prédictible connexe est 10000000b.

Vous pouvez utiliser les ID pour associer les états et les attributs d'entrée à un attribut prédictible. Par exemple, la requête suivante renvoie les noms et les légendes des nœuds qui représentent les combinaisons possibles des attributs d’entrée et des attributs prédictibles pour le modèle, TM_NaiveBayes.

SELECT NODE_NAME, NODE_CAPTION
FROM TM_NaiveBayes.CONTENT
WHERE NODE_TYPE = 10

Résultats attendus :

NODE_NAME	NODE_CAPTION
20000000000000001	Bike Buyer -> Commute Distance
20000000000000002	Bike Buyer -> English Education
20000000000000003	Bike Buyer -> English Occupation
20000000000000009	Bike Buyer -> Marital Status
2000000000000000a	Bike Buyer -> Number Children At Home
2000000000000000b	Bike Buyer -> Region
2000000000000000c	Bike Buyer -> Total Children

Les ID de nœuds parents permettent d’extraire les nœuds enfants. La requête suivante extrait les nœuds qui contiennent les valeurs de l'attribut Marital Status, ainsi que la probabilité correspondant à chaque nœud.

SELECT NODE_NAME, NODE_CAPTION, NODE_PROBABILITY
FROM TM_NaiveBayes.CONTENT
WHERE NODE_TYPE = 11
AND [PARENT_UNIQUE_NAME] = '20000000000000009'

[!REMARQUE]

Le nom de colonne PARENT_UNIQUE_NAME doit être mis entre parenthèses afin de le distinguer du mot clé réservé du même nom.

Résultats attendus :

NODE_NAME	NODE_CAPTION	NODE_PROBABILITY
3000000000000000900000000	Bike Buyer -> Marital Status = Missing	0
3000000000000000900000001	Bike Buyer -> Marital Status = S	0.457504004
3000000000000000900000002	Bike Buyer -> Marital Status = M	0.542495996

Table NODE_DISTRIBUTION

La colonne de table imbriquée NODE_DISTRIBUTION contient généralement des statistiques relatives à la distribution des valeurs dans le nœud. Dans un modèle Naive Bayes, cette table est remplie uniquement pour les nœuds suivants :

Type de nœud	Contenu de table imbriquée
Racine du modèle (1)	Vide.
Marginal statistics node (24)	Contient des informations de résumé pour tous les attributs prédictibles et les attributs d'entrée, et ce pour le jeu complet de données d'apprentissage.
attribut prédictible (9)	Vide.
Attribut d'entrée (10)	Vide.
État d'attribut d'entrée (11)	Contient des statistiques qui décrivent la distribution des valeurs dans les données d'apprentissage pour cette combinaison donnée d'une valeur prédictible et d’une valeur d'attribut d'entrée.

Vous pouvez utiliser les ID ou légendes de nœud pour extraire des niveaux de détails accrus. Par exemple, la requête suivante extrait des colonnes spécifiques de la table NODE_DISTRIBUTION uniquement pour les nœuds d'attribut d'entrée liés à la valeur 'Marital Status = S'.

SELECT FLATTENED NODE_CAPTION,
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE, [SUPPORT], [PROBABILITY], VALUETYPE
FROM NODE_DISTRIBUTION) as t
FROM TM_NaiveBayes.content
WHERE NODE_TYPE = 11
AND NODE_CAPTION = 'Bike Buyer -> Marital Status = S'

Résultats attendus :

NODE_CAPTION	t.ATTRIBUTE_NAME	t.ATTRIBUTE_VALUE	t.SUPPORT	t.PROBABILITY	t.VALUETYPE
Bike Buyer -> Marital Status = S	Bike Buyer	Missing	0	0	1
Bike Buyer -> Marital Status = S	Bike Buyer	0	3783	0.472934117	4
Bike Buyer -> Marital Status = S	Bike Buyer	1	4216	0.527065883	4

Dans ces résultats, la valeur de la colonne SUPPORT indique le nombre de clients ayant la situation de famille spécifiée qui ont acheté un vélo. La colonne PROBABILITY contient la probabilité de chaque valeur d'attribut, telle que calculée pour ce nœud uniquement. Pour obtenir des définitions générales des termes utilisés dans la table NODE_DISTRIBUTION, consultez Contenu du modèle d'exploration de données (Analysis Services - Exploration de données).

Informations du nœud de statistiques marginales

Dans un modèle Naive Bayes, la table imbriquée du nœud de statistiques marginales contient la distribution des valeurs pour le jeu complet de données d'apprentissage. Par exemple, la table suivante contient une liste partielle des statistiques figurant dans la table NODE_DISTRIBUTION imbriquée pour le modèle, TM_NaiveBayes :

ATTRIBUTE_NAME	ATTRIBUTE_VALUE	SUPPORT	PROBABILITY	VARIANCE	VALUETYPE
Bike Buyer	Missing	0	0	0	1
Bike Buyer	0	8869	0.507263784	0	4
Bike Buyer	1	8615	0.492736216	0	4
Marital Status	Missing	0	0	0	1
Marital Status	S	7999	0.457504004	0	4
Marital Status	M	9485	0.542495996	0	4
Total Children	Missing	0	0	0	1
Total Children	0	4865	0.278254404	0	4
Total Children	3	2093	0.119709449	0	4
Total Children	1	3406	0.19480668	0	4

La colonne Bike Buyer est incluse parce que le nœud de statistiques marginales contient toujours une description de l'attribut prédictible et de ses valeurs possibles. Toutes les autres colonnes répertoriées représentent des attributs d'entrée, avec les valeurs utilisées dans le modèle. Les valeurs peuvent être uniquement manquantes, discrètes ou discrétisées.

Dans un modèle Naive Bayes, il ne peut pas y avoir d'attributs continus ; par conséquent, toutes les données numériques sont représentées comme discrètes (VALUE_TYPE = 4) ou discrétisées (VALUE_TYPE = 5).

Une valeur Missing (VALUE_TYPE = 1) est ajoutée à chaque attribut d’entrée et de sortie pour représenter les valeurs potentielles qui ne figuraient pas dans les données d'apprentissage. Vous devez faire la distinction entre « manquant » en tant que chaîne et la valeur Missing par défaut. Pour plus d'informations, consultez Valeurs manquantes (Analysis Services - Exploration de données).

Voir aussi

Concepts

Contenu du modèle d'exploration de données (Analysis Services - Exploration de données)

Visionneuses de modèle d'exploration de données

Requêtes d'exploration de données

Algorithme MNB (Microsoft Naive Bayes)