Algorithmes d'exploration de données (Analysis Services - Exploration de données)

S’applique à : SQL Server 2019 et versions antérieures d’Analysis Services Azure Analysis Services Fabric/Power BI Premium

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 sur plusieurs itérations pour trouver 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.

Les algorithmes fournis dans SQL Server l’exploration de données sont les méthodes les plus populaires et les mieux documentées pour la dérivation de modèles à partir de données. Pour prendre un exemple, K-moyennes clustering est l’un des algorithmes de clustering les plus anciens et est largement disponible dans de nombreux outils différents et avec de nombreuses implémentations et options différentes. Toutefois, l’implémentation particulière des K-moyennes clustering utilisées dans SQL Server’exploration de données a été développée par Microsoft Research, puis optimisée pour les performances avec SQL Server Analysis Services. Tous les algorithmes d’exploration de données Microsoft sont largement personnalisables et entièrement programmables à l’aide des API fournies. Vous pouvez également automatiser la création, l’entraînement et la reformation de modèles à l’aide des composants d’exploration de données dans 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

SQL Server l’exploration de données comprend les types d’algorithmes suivants :

• Lesalgorithmes de classification prévoient une ou plusieurs variables discrètes, en fonction des autres attributs du jeu de données.

• Lesalgorithmes de régression prévoient une ou plusieurs variables continues, telles que les bénéfices ou les pertes, 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.

• Lesalgorithmes d’analyse de séquence synthétisent les séquences ou épisodes fréquents dans des données, comme une série de clics dans un site web ou une série de d’événements de journaux précédant la maintenance d’une machine.

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. SQL Server l’exploration de données vous permet de créer plusieurs modèles sur une même structure d’exploration de données. Par conséquent, au sein d’une seule solution d’exploration de données, vous pouvez utiliser un algorithme de clustering, un modèle d’arbres de décision et un modèle Naïve Bayes pour obtenir des vues différentes sur vos données. Vous pouvez également utiliser plusieurs algorithmes dans une seule solution pour 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 prévisions.

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.

Contenu associé

La section suivante fournit des liens vers des ressources d’apprentissage pour chacun des algorithmes d’exploration de données fournis dans SQL Server exploration de données :

• Description de base de l’algorithme : explique ce que fait l’algorithme et comment il fonctionne, et décrit les scénarios métier possibles où l’algorithme peut être utile.

  • Algorithme Microsoft Association

  • Algorithme de clustering Microsoft

  • Algorithme MDT (Microsoft Decision Trees)

  • Algorithme MLR (Microsoft Linear Regression)

  • Algorithme MLR (Microsoft Logistic Regression)

  • Algorithme MNB (Microsoft Naive Bayes)

  • Microsoft Neural Network Algorithm

  • Algorithme MSC (Microsoft Sequence Clustering)

  • Algorithme MTS (Microsoft Time Series)

• Référence technique : fournit des détails techniques sur l’implémentation de l’algorithme, avec des références académiques si nécessaire. Dresse la liste des paramètres que vous pouvez configurer pour contrôler le comportement de l'algorithme et personnaliser les résultats dans le modèle. Décrit les spécifications de données et fournit des conseils en matière de performances, si possible.

  • Références techniques relatives à l’algorithme Microsoft Association

  • Références techniques relatives à l'algorithme de gestion de clusters Microsoft

  • Références techniques relatives à l'algorithme MDT (Microsoft Decision Trees)

  • Références techniques relatives à l'algorithme MLR (Microsoft Linear Regression)

  • Références techniques relatives à l’algorithme MLR (Microsoft Logistic Regression)

  • Références techniques relatives à l'algorithme MNB (Microsoft Naive Bayes)

  • Microsoft Neural Network Algorithm Technical Reference

  • Références techniques relatives à l'algorithme MSC (Microsoft Sequence Clustering)

  • Informations techniques de référence sur l’algorithme MTS (Microsoft Time Series)

• Contenu du modèle : explique comment les informations sont structurées dans chaque type de modèle d’exploration de données et explique comment interpréter les informations stockées dans chacun des nœuds.

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

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

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

  • Contenu du modèle d'exploration de données pour les modèles de régression linéaire (Analysis Services - Exploration de données)

  • Contenu du modèle d'exploration de données pour les modèles de régression logistique (Analysis Services - Exploration de données)

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

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

  • Contenu du modèle d'exploration de données pour les modèles Sequence Clustering (Analysis Services - Exploration de données)

  • Contenu du modèle d'exploration de données pour les modèles de séries chronologiques (Analysis Services - Exploration de données)

• Requêtes d’exploration de données : fournit plusieurs requêtes que vous pouvez utiliser avec chaque type de modèle. Les exemples incluent des requêtes de contenu qui vous permettent d'en savoir plus sur les schémas du modèle, ainsi que des requêtes de prédiction pour vous aider à établir des prédictions en fonction de ces schémas.

  • Exemples de requêtes de modèle d'association

  • Exemples de requêtes de modèle de clustering

  • Exemples de requêtes de modèle d’arbre de décision

  • Exemples de requête de modèle de régression linéaire

  • Exemples de requêtes de modèle de régression logistique

  • Exemples de requêtes de modèle Naive Bayes

  • Exemples de requêtes de modèle de réseau neuronal

  • Sequence Clustering Model Query Examples

  • Exemples de requête de modèle de série chronologique|

Tâches associées

Voir aussi

Outils d'exploration de données