Поделиться через


Проверка моделей интеллектуального анализа данных

Можно использовать вкладку Диаграмма точности интеллектуального анализа данных конструктора интеллектуального анализа данных, чтобы проверить точность и сравнить прогнозирующие возможности моделей интеллектуального анализа в структуре интеллектуального анализа данных. Это полезно при выборе подходящего алгоритма или настройки параметров конкретного алгоритма.

Проверка — это важный шаг в процессе интеллектуального анализа данных. Знать то, насколько хорошо работает с реальными данными используемая модель интеллектуального анализа, важно еще до того, как модель будет развернута в производственной среде. Дополнительные сведения о том, как проверка моделей применяется в более общих процессах интеллектуального анализа данных, см. в разделе Основные понятия интеллектуального анализа данных.

Средства проверки

Вкладка Диаграмма точности интеллектуального анализа данных содержит следующие средства, используемые при проверке моделей интеллектуального анализа:

  • Диаграмма точности предсказаний;
  • Матрица классификации.

Диаграмма точности предсказаний

Диаграмма точности предсказаний создается путем построения графика по результатам прогнозирующих запросов из проверочного набора данных относительно известных значений прогнозируемых столбцов, присутствующих в наборе. Ниже приведен пример такой диаграммы.

Диаграмма точности предсказаний целевой и общей совокупностей

Диаграмма отображает линию результатов модели интеллектуального анализа, вместе с двумя другими: одна линия представляет результаты работы идеальной модели, с совершенными безошибочными прогнозами, а другая — результаты случайного выбора. Результаты реальных моделей окажутся где-то между идеальными и случайными. Любое улучшение по сравнению с линией случайного выбора называется точностью предсказаний (lift), и чем большую точность предсказаний демонстрирует модель, тем она эффективнее.

Диаграммы точности предсказаний, которые строятся на основе непрерывных прогнозируемых атрибутов, — это точечные диаграммы, а не графики.

Чтобы построить диаграмму точности предсказаний, нужно следующее:

  • одна или несколько обученных моделей интеллектуального анализа данных;
  • входной набор данных, содержащий значение прогнозируемого столбца;
  • сопоставление входных данных со структурой модели интеллектуального анализа.

Дополнительные сведения Раздел руководства по вкладке «Диаграмма точности интеллектуального анализа», Сопоставления столбцов (диаграмма точности предсказаний), Диаграмма точности предсказаний.

В начало

Матрица классификации

Вкладка Матрица классификации предлагает иной путь выяснения того, насколько точны прогнозы моделей интеллектуального анализа в пределах структуры. Матрица классификации строится на основе сравнения действительных значений, существующих в проверочном наборе данных, с теми, что прогнозируются моделью интеллектуального анализа. Матрица представляет собой полезный инструмент, поскольку она не только отображает, как часто модель прогнозировала верное значение, но и какие значения чаще всего прогнозируются неправильно.

Например, рассмотрим случай, когда модель была построена для прогнозирования типа членской карточки, которой пользуются покупатели в продуктовом магазине. Карточки бывают трех типов: бронзовые, серебряные и золотые. Следующая таблица — это представление матрицы классификации для модели, которая прогнозирует тип членской карточки на базе данных, где этот тип известен.

Бронзовая Серебряная Золотая

Бронзовая

Действительная

Ошибка бронзовой

Ошибка бронзовой

Серебряная

Ошибка серебряной

Действительная

Ошибка серебряной

Золотая

Ошибка золотой

Ошибка золотой

Действительная

Значения, которые находятся на диагонали из верхнего левого в правый нижний угол матрицы, дают верное число значений, которые действительно присутствуют в проверочном наборе данных. Столбцы матрицы представляют элементы, которые были спрогнозированы в тестовом наборе данных. Строки представляют действительное состояние атрибута в том виде, в котором он имеется в проверочном наборе данных.

Например, рассмотрим, как модель интеллектуального анализа данных прогнозирует заказчиков с бронзовой карточкой. Значение на пересечении строки и столбца для бронзы представляет действительное число заказчиков с бронзовыми карточками в проверочной базе данных. Значение на пересечении столбца для серебра и строки для бронзы представляет собой число случаев, в которых было неверно спрогнозировано серебро, в то время как на самом деле это была бронза. Число неверно спрогнозированных значений для бронзы будет суммой пересечений столбца для бронзы со строками для серебра и золота. Анализ других типов карточек аналогичен приведенному.

Дополнительные сведенияРаздел руководства по вкладке «Диаграмма точности интеллектуального анализа», Сопоставления столбцов (диаграмма точности предсказаний), Матрица классификации.

В начало

См. также

Основные понятия

Использование средств интеллектуального анализа данных
Основные понятия интеллектуального анализа данных
Работа с интеллектуальным анализом данных

Другие ресурсы

Раздел руководства по вкладке «Диаграмма точности интеллектуального анализа»

Справка и поддержка

Получение помощи по SQL Server 2005