Esecuzione di query su un modello Logistic Regression (Analysis Services - Data mining)

L'esecuzione di una query sul set di righe dello schema di data mining consente di trovare i metadati relativi al modello, ad esempio la data e l'ora di creazione, la data e l'ora dell'ultima elaborazione, il nome della struttura di data mining su cui si basa il modello e il nome della colonna utilizzata come attributo stimabile. Nell'esempio seguente vengono restituiti i parametri utilizzati quando è stato creato il modello, il nome e il tipo di modello e la relativa data di creazione.

SELECT MODEL_NAME, SERVICE_NAME, DATE_CREATED, MINING_PARAMETERS 
FROM $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = 'Call Center_LR'

Risultati dell'esempio:

Torna all'inizio

Nella query seguente vengono restituite informazioni di base sul modello di regressione logistica. Si tenga presente che un modello di regressione logistica è per molti aspetti simile a un modello di rete neurale, inclusa la presenza di un nodo delle statistiche marginali (NODE_TYPE = 24) che descrive i valori utilizzati come input. In questa query di esempio viene utilizzato il modello di mailing diretto e i valori di tutti gli input vengono recuperati dalla tabella nidificata, NODE_DISTRIBUTION.

SELECT FLATTENED NODE_DISTRIBUTION AS t
FROM [TM_Logistic Regression].CONTENT 

Risultati parziali:

La query effettiva restituisce molte più righe, tuttavia questo esempio illustra il tipo di informazioni sugli input che vengono fornite. Per gli input discreti, nella tabella viene elencato ogni valore possibile. Poiché per gli input con valore continuo, ad esempio Age, è impossibile fornire un elenco completo, l'input viene discretizzato come media. Per ulteriori informazioni sull'utilizzo dei dati del nodo delle statistiche marginali, vedere Contenuto dei modelli di data mining per i modelli di regressione logistica (Analysis Services - Data mining).

Torna all'inizio

Poiché la regressione logistica supporta anche l'utilizzo di attributi continui sia per l'input sia per la stima, è facile creare modelli che correlano i vari fattori nei dati. È possibile utilizzare query di stima per esplorare la relazione fra questi fattori.

Nell'esempio di query riportato di seguito, basato sul modello di call center tratto dall'esercitazione intermedia, viene creata una query singleton che stima il livello di servizio per il turno del venerdì mattina. La funzione PredictHistogram (DMX) restituisce una tabella nidificata che contiene statistiche importanti per comprendere la validità del valore stimato.

SELECT
  Predict([Call Center_LR].[Service Grade]) as Predicted ServiceGrade,
  PredictHistogram([Call Center_LR].[Service Grade]) as [Results],
FROM
  [Call Center_LR]
NATURAL PREDICTION JOIN
(SELECT 'Friday' AS [Day Of Week],
  'AM' AS [Shift]) AS t

Risultati dell'esempio:

Per ulteriori informazioni sui valori di probabilità, supporto e deviazione standard nella tabella NODE_DISTRIBUTION nidificata, vedere Contenuto dei modelli di data mining per i modelli di regressione logistica (Analysis Services - Data mining).

Torna all'inizio

La regressione logistica viene in genere utilizzata negli scenari nei quali si desidera analizzare i fattori che contribuiscono a un risultato binario. Anche se tramite il modello utilizzato nell'esercitazione viene stimato un valore continuo, ServiceGrade, in uno scenario reale è necessario configurare il modello per stimare se il livello di servizio ha soddisfatto un valore di destinazione discretizzato. In alternativa, è possibile restituire le stime utilizzando un valore continuo, ma in un secondo momento occorre raggruppare i risultati stimati in Buono, Discreto o Scarso.

Nell'esempio riportato di seguito viene illustrato come modificare la modalità di raggruppamento dell'attributo stimabile. A tale scopo, creare una copia della struttura di data mining, quindi modificare il metodo di discretizzazione della colonna di destinazione in modo che i valori siano raggruppati anziché continui.

Nella procedura riportata di seguito viene illustrato come modificare il raggruppamento di valori Service Grade nei dati del call center.

Per creare una versione discretizzata della struttura di data mining del call center e dei modelli

Nella query di esempio seguente, basata su questo modello discretizzato, viene stimato il livello di servizio per il giorno della settimana specificato, insieme alle probabilità per ogni risultato stimato.

SELECT
  (PredictHistogram([Call Center_LR 1].[Service Grade])) as [Predictions]
FROM
  [Call Center_LR 1]
NATURAL PREDICTION JOIN
(SELECT 'Saturday' AS [Day Of Week]) AS t  

Risultati previsti:

Si noti che i risultati stimati sono stati raggruppati in tre categorie come specificato; tuttavia i raggruppamenti sono basati sul clustering di valori effettivi nei dati, non valori arbitrari che è possibile impostare come obiettivi aziendali.

Torna all'inizio