Referência técnica do algoritmo de associação da Microsoft

O algoritmo Regras de Associação da Microsoft é uma implementação direta do já conhecido algoritmo Apriori.

Tanto o algoritmo Árvores de Decisão da Microsoft como o Regras de Associação da Microsoft podem ser usados para analisar associações, mas as regras encontradas podem variar conforme o algoritmo. Em um modelo de árvores de decisão, as divisões que levam as regras específicas baseiam-se nas informações obtidas, enquanto no modelo de associação elas se baseiam totalmente na confiança. Assim, em um modelo de associação, um regra forte, ou aquela com mais confiança, não seria necessariamente interessante porque não fornece informações novas.

Implementação do algoritmo Associação da Microsoft

O algoritmo Apriori não analisa padrões, mas gera e, em seguida, conta conjuntos de itens candidatos. Um item pode representar um evento, um produto ou o valor de um atributo, dependendo do tipo de dados que está sendo analisado.

No tipo mais comum de modelo de associação, variáveis Booleanas que representam um valor Sim/Não ou Ausente/Existente são atribuídas a cada atributo, como o nome de um produto ou evento. Uma análise da cesta de compras é um exemplo de modelo de regras de associação que usa variáveis Booleanas para representar a presença ou a ausência de determinados produtos na cesta de compras de um cliente.

Para cada conjunto de itens, o algoritmo cria pontuações que representam suporte e confiança. Essas pontuações podem ser usadas para classificar e derivar regras interessantes a partir dos conjuntos de itens.

Também é possível criar modelos de associação para atributos numéricos. Se os atributos forem contínuos, os números poderão ser diferenciados ou agrupados em buckets. Os valores diferenciados podem ser tratados como Boolianos ou como pares atributo-valor.

Suporte, probabilidade e importância

Suporte, que às vezes éconhecido como frequência, significa o número de casos que contém o item de destino ou a combinação de itens. Somente os itens que têm, no mínimo, a quantia especificada de suporte podem ser incluídos no modelo.

Um conjunto de itens frequente refere-se a uma coleção de itens na qual a combinação de itens também oferece suporte além do limite definido pelo parâmetro MINIMUM_SUPPORT. Por exemplo, se o conjunto de itens for {A,B,C} e o valor de MINIMUM_SUPPORT for 10, cada item A, B e C deve ser encontrado pelo menos em 10 casos para ser incluído no modelo, e a combinação de itens {A,B,C} também deve ser encontrada, no mínimo, em 10 casos.

Observação   Você também pode controlar o número de conjuntos de itens em um modelo de mineração especificando o tamanho máximo de um conjuntos de itens, sendo que tamanho significa o número de itens.

Por padrão, o suporte para qualquer item ou conjunto de itens em particular representa uma contagem dos casos que contêm esse item (ou itens). No entanto, também é possível expressar MINIMUM_SUPPORT como uma porcentagem do total de casos no conjunto de dados, basta digitar o número como um valor decimal menor que 1. Por exemplo, se você especificar MINIMUM_SUPPORT com um valor de 0,03, significa que pelo menos 3% do total de casos do conjunto de dados deve conter esse item ou conjunto de itens para inclusão no modelo. Faça testes com seu modelo para determinar se faz mais sentido usar a contagem ou a porcentagem.

Diferentemente, o limite para regras é expressado não como contagem ou porcentagem, mas como uma probabilidade, às vezes conhecida como confiança. Por exemplo, se o conjunto de itens {A,B,C} ocorrer em 50 casos, mas o conjunto de itens {A,B,D} também ocorrer em 50 casos e o conjunto de itens {A,B} em outros 50 casos, é óbvio que {A,B} não é um forte indicador de {C}. Portanto, para pesar resultados específicos contra todos os resultados conhecidos, o Analysis Services calcula a probabilidade da regra individual (como If {A,B} Then {C}) dividindo o suporte para o conjunto de itens {A,B,C} pelo suporte de todos os conjuntos de itens relacionados.

Você pode restringir o número de regras que um modelo produz definindo um valor para MINIMUM_PROBABILITY.

Para cada regra criada, o Analysis Services gera uma pontuação que indica sua importância, também chamada de comparação de precisão. A importância da comparação de precisão é calculada de forma diferente para conjuntos de itens e regras.

A importância de um conjunto de itens é calculada como sua probabilidade dividida pela probabilidade composta pelos itens individuais do conjunto de itens. Por exemplo, se um conjunto de itens contiver {A,B}, o Analysis Services primeiro contará todos os casos que contêm essa combinação A e B, dividirá pelo número total de casos e, em seguida, normalizará probabilidade.

A importância de uma regra é calculada pela probabilidade do log do lado direito da regra, dado o lado esquerdo da regra. Por exemplo, na regra If {A} Then {B}, o Analysis Services calcula a proporção de casos com A e B em relação a casos com B mas sem A e, em seguida, normaliza a proporção usando uma escala logarítmica.

Seleção de Recursos

O algoritmo Regras de Associação da Microsoft não executa qualquer tipo de seleção de recursos automática. Em vez disso, ele fornece parâmetros que controlam os dados usados pelo algoritmo. Podem estar incluídos limites para o tamanho de cada conjunto de itens ou a configuração do suporte máximo e mínimo necessário para adicionar um conjunto de itens ao modelo.

• Para filtrar itens e eventos que são muito comuns e, portanto, desinteressantes, diminua o valor de MAXIMUM_SUPPORT para remover do modelo conjuntos de itens muito frequentes.

• Para filtrar itens e conjuntos de itens raros, aumente o valor de MINIMUM_SUPPORT.

• Para filtrar regras, aumente o valor de MINIMUM_PROBABILITY.

Personalizando o algoritmo Regras de Associação da Microsoft

O algoritmo Regras de Associação da Microsoft oferece suporte a vários parâmetros que afetam o comportamento, o desempenho e a precisão do modelo de mineração resultante.

Definindo parâmetros de algoritmo

É possível alterar os parâmetros de um modelo de mineração a qualquer momento com o uso do Designer de Mineração de Dados no SSDT (SQL Server Data Tools). Você também pode alterar os parâmetros programaticamente usando a coleção AlgorithmParameters em AMO ou usando o Elemento MiningModels (ASSL) em XMLA. A tabela a seguir descreve cada parâmetro.

Observação
Também é possível alterar os parâmetros de um modelo existente usando uma instrução DMX; você deve especificar os parâmetros na instrução DMX CREATE MODEL ou em ALTER STRUCTURE… ADD MODEL ao criar o modelo.

• MAXIMUM_ITEMSET_COUNT
  Especifica o número de máximo de conjuntos de itens que será produzido. Se não for especificado um número, valor padrão será usado.

  O padrão é 200000.

  Observação
  Conjuntos de itens são classificados por suporte. Entre os conjuntos de itens que têm o mesmo suporte, a ordem é arbitrária.

• MAXIMUM_ITEMSET_SIZE
  Especifica o número máximo de itens permitidos em um conjunto de itens. Definir esse valor como 0 especifica que não há limite para o tamanho do conjunto de itens.

  O padrão é 3.

  Observação
  Diminuir esse valor pode reduzir o tempo necessário para a criação do modelo, pois o processamento será interrompido quando o limite for atingindo.

• MAXIMUM_SUPPORT
  Especifica o número máximo de casos que suporta um conjunto de itens. Esse parâmetro pode ser usado para eliminar itens que aparecem frequentemente e, portanto, potencialmente têm pouco significado.

  Se esse valor for menor que 1, o valor representará uma porcentagem do total de casos. Valores maiores do que 1 representam o número absoluto de casos que podem conter o conjunto de itens.

  O padrão é 1.

• MINIMUM_ITEMSET_SIZE
  Especifica o número mínimo de itens permitidos em um conjunto de itens. Se você aumentar esse número, o modelo poderá conter menos conjuntos de itens. Isso pode ser útil, por exemplo, se você quiser ignorar conjuntos de itens com apenas um item.

  O padrão é 1.

  Observação
  Não é possível reduzir o tempo de processamento do modelo diminuindo o valor mínimo, pois o Analysis Services deve calcular probabilidades para itens únicos de qualquer forma como parte do processamento. Contudo, definindo esse valor mais alto você pode filtrar conjuntos de itens menores.

• MINIMUM_PROBABILITY
  Especifica a probabilidade mínima de uma regra ser verdadeira.

  Por exemplo, se você definir esse valor como 0,5, significa que nenhuma regra com menos de cinquenta por cento de probabilidade pode ser gerada.

  O padrão é 0,4.

• MINIMUM_SUPPORT
  Especifica o número mínimo de casos que devem conter o conjunto de itens antes de o algoritmo gerar uma regra.

  Se você definir esse valor como menos que 1, o número mínimo de casos será calculado como uma porcentagem do total de casos.

  Se você definir esse valor como um número inteiro maior que 1, especifica que o número mínimo de casos será calculado como uma contagem de casos que devem conter o conjunto de itens. O algoritmo poderia aumentar automaticamente o valor desse parâmetro se houver limite de memória.

  O padrão é 0,03. Significa que, para ser incluído no modelo, o conjunto de itens deve ser encontrado, no mínimo, em 3% dos casos.

• OPTIMIZED_PREDICTION_COUNT
  Define o número de itens a ser armazenado em cache para otimizar a previsão.

  O valor padrão é 0. Quando o padrão for usado, o algoritmo gerará tantas previsões quantas forem pedidas na consulta.

  Se você especificar um valor diferente de zero para OPTIMIZED_PREDICTION_COUNT, as consultas de previsão poderão retornar no máximo o número especificado de itens, mesmo que você solicite mais previsões. No entanto, a definição de um valor pode melhorar o desempenho da previsão.

  Por exemplo, se o valor for definido como 3, o algoritmo armazenará em cache apenas 3 itens para previsão. Não é possível visualizar mais previsões que possam ser igualmente prováveis para os 3 itens retornados.

Sinalizadores de modelagem

Os sinalizadores de modelagem a seguir são suportados para uso com o algoritmo Regras de Associação da Microsoft.

• NOT NULL
  Indica que a coluna não pode conter um nulo. Ocorrerá um erro se o Analysis Services encontrar um nulo durante o treinamento do modelo.

  Aplica-se à coluna da estrutura de mineração.

• MODEL_EXISTENCE_ONLY
  Significa que a coluna será tratada como se tivesse dois estados possíveis: Missing e Existing. Nulo é um valor ausente.

  Aplica-se à coluna do modelo de mineração.

Requisitos

Um modelo de associação deve conter uma coluna de chave, colunas de entrada e uma única coluna previsível.

Colunas de entrada e colunas previsíveis

O algoritmo Regras de Associação da Microsoft oferece suporte a colunas de entrada e colunas previsíveis específicas que são listadas na tabela a seguir. Para obter mais informações sobre o significado de tipos de conteúdo em um modelo de mineração, consulte Tipos de conteúdo (mineração de dados).

Coluna	Tipos de conteúdo
Atributo de entrada	Cíclico, discreto, diferenciado, chave, tabela e ordenado
Atributo previsível	Cíclico, Discreto, Diferenciado, Tabela e Ordenado

Observação
Os tipos de conteúdo Cíclico e Ordenado têm suporte, mas o algoritmo os trata como valores discretos e não executa processamento especial.

Consulte também

Referência

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

Conceitos

Algoritmo Associação da Microsoft

Exemplos de consulta de um modelo de associação