Contenuto dei modelli di data mining per i modelli di rete neurale (Analysis Services - Data mining)

Informazioni sulla struttura di un modello di rete neurale

Ogni modello di rete neurale presenta un singolo nodo padre che rappresenta il modello e i relativi metadati e un nodo delle statistiche marginali (NODE_TYPE = 24) che fornisce statistiche descrittive sugli attributi di input. Poiché il nodo delle statistiche marginali riepiloga informazioni sugli input, non è necessario eseguire query sui dati dai singoli nodi.

Sotto questi due nodi, sono presenti almeno altri due nodi, ma potrebbero esservene altri, a seconda del numero di attributi stimabili di cui dispone il modello.

• Il primo nodo (NODE_TYPE = 18) rappresenta sempre il nodo superiore del livello di input. Sotto questo nodo superiore, è possibile trovare nodi di input (NODE_TYPE = 21) che contengono gli attributi di input effettivi e i relativi valori.

• Ogni nodo successivo contiene una subnet diversa (NODE_TYPE = 17). Ogni subnet contiene sempre un livello nascosto (NODE_TYPE = 19) e un livello di output (NODE_TYPE = 20) per quella subnet.

Le informazioni nel livello di input sono chiare: il nodo superiore per ogni livello di input (NODE_TYPE = 18) viene utilizzato come libreria per una raccolta di nodi di input (NODE_TYPE = 21). Il contenuto dei nodi di input viene descritto nella tabella seguente.

Ogni subnet (NODE_TYPE = 17) rappresenta l'analisi dell'influenza del livello di input su un particolare attributo stimabile. Se sono presenti più output stimabili, saranno disponibili più subnet. Il livello nascosto per ogni subnet contiene più nodi nascosti (NODE_TYPE = 22) che a loro volta contengono dettagli sui pesi per ogni transizione che termina in quel determinato nodo nascosto.

Il livello di output (NODE_TYPE = 20) contiene nodi di output (NODE_TYPE = 23), ognuno dei quali contiene a sua volta valori distinct dell'attributo stimabile. Se l'attributo stimabile è un tipo di dati numerici continui, è presente un solo nodo di output per l'attributo.

Il modo più semplice per esplorare la struttura degli input e delle subnet consiste nell'utilizzare il Microsoft Generic Content Tree Viewer. È possibile fare clic su qualsiasi nodo per espanderlo e visualizzare i nodi figlio oppure visualizzare i pesi e le altre statistiche contenute nel nodo.

Per utilizzare i dati e osservare il modo in cui il modello mette in correlazione gli input con gli output, utilizzare il Visualizzatore Microsoft Neural Network. Tramite questo visualizzatore personalizzato, è possibile impostare un filtro sugli attributi di input e sui relativi valori e visualizzarne graficamente l'impatto sugli output. Le descrizioni comandi nel visualizzatore mostrano la probabilità e l'accuratezza associate a ogni coppia di input e valori di output. Per ulteriori informazioni, vedere Visualizzazione di un modello di data mining con il Visualizzatore Microsoft Neural Network.

Contenuto di un modello di rete neurale

In questa sezione vengono forniti dettagli ed esempi specifici delle colonne del contenuto dei modelli di data mining particolarmente importanti per le reti neurali. Per informazioni sulle colonne generiche nel set di righe dello schema, ad esempio MODEL_CATALOG e MODEL_NAME, non descritte in questo argomento o per spiegazioni sulla terminologia dei modelli di data mining, vedere Contenuto del modello di data mining (Analysis Services - Data mining).

• MODEL_CATALOG
  Nome del database in cui è archiviato il modello.

• MODEL_NAME
  Nome del modello.

• ATTRIBUTE_NAME
  Nomi degli attributi che corrispondono a questo nodo.

  Nodo	Contenuto
  Nodo radice del modello	Vuoto
  Statistiche marginali	Vuoto
  Livello di input	Vuoto
  Nodo di input	Nome dell'attributo di input
  Livello nascosto	Vuoto
  Nodo nascosto	Vuoto
  Livello di output	Vuoto
  Nodo di output	Nome dell'attributo di output

• NODE_NAME
  Nome del nodo. In questa colonna è contenuto lo stesso valore di NODE_UNIQUE_NAME.

• NODE_UNIQUE_NAME
  Nome univoco del nodo.

  Per ulteriori informazioni sul modo in cui i nomi e gli ID forniscono informazioni strutturali sul modello, vedere la sezione Utilizzo dei nomi e degli ID dei nodi.

• NODE_TYPE
  Un modello di rete neurale restituisce i tipi di nodo seguenti:

  ID tipo di nodo	Descrizione
  1	Modello.
  17	Nodo della libreria per la subnet
  18	Nodo della libreria per il livello di input
  19	Nodo della libreria per il livello nascosto
  20	Nodo della libreria per il livello di output
  21	Nodo dell'attributo di input
  22	Nodo del livello nascosto
  23	Nodo dell'attributo di output
  24	Nodo delle statistiche marginali

• NODE_CAPTION
  Etichetta o didascalia associata al nodo. Nei modelli di rete neurale, sempre vuoto.

• CHILDREN_CARDINALITY
  Stima del numero di nodi figlio del nodo.

  Nodo	Contenuto
  Nodo radice del modello	Indica il conteggio di nodi figlio che include almeno 1 rete, 1 nodo marginale obbligatorio e 1 livello di input obbligatorio. Se, ad esempio, il valore è 5, sono presenti 3 subnet.
  Statistiche marginali	Sempre 0.
  Livello di input	Indica il numero di coppie attributo-valori di input utilizzate dal modello.
  Nodo di input	Sempre 0.
  Livello nascosto	Indica il numero di nodi nascosti creati dal modello.
  Nodo nascosto	Sempre 0.
  Livello di output	Indica il numero di valori di output.
  Nodo di output	Sempre 0.

• PARENT_UNIQUE_NAME
  Nome univoco dell'elemento padre del nodo. Per tutti i nodi a livello di radice viene restituito NULL.

  Per ulteriori informazioni sul modo in cui i nomi e gli ID forniscono informazioni strutturali sul modello, vedere la sezione Utilizzo dei nomi e degli ID dei nodi.

• NODE_DESCRIPTION
  Descrizione semplice del nodo.

  Nodo	Contenuto
  Nodo radice del modello	Vuoto
  Statistiche marginali	Vuoto
  Livello di input	Vuoto
  Nodo di input	Nome dell'attributo di input
  Livello nascosto	Vuoto
  Nodo nascosto	Valore integer che indica la sequenza del nodo nascosto nell'elenco dei nodi nascosti.
  Livello di output	Vuoto
  Nodo di output	Se l'attributo di output è continuo, contiene il nome dell'attributo di output. Se l'attributo di output è discreto o discretizzato, contiene il nome dell'attributo e il valore.

• NODE_RULE
  Descrizione XML della regola incorporata nel nodo.

  Nodo	Contenuto
  Nodo radice del modello	Vuoto
  Statistiche marginali	Vuoto
  Livello di input	Vuoto
  Nodo di input	Frammento XML che contiene le stesse informazioni della colonna NODE_DESCRIPTION.
  Livello nascosto	Vuoto
  Nodo nascosto	Valore integer che indica la sequenza del nodo nascosto nell'elenco dei nodi nascosti.
  Livello di output	Vuoto
  Nodo di output	Frammento XML che contiene le stesse informazioni della colonna NODE_DESCRIPTION.

• MARGINAL_RULE
  Per i modelli di rete neurale, sempre vuoto.

• NODE_PROBABILITY
  Probabilità associata a questo nodo. Per i modelli di rete neurale, sempre 0.

• MARGINAL_PROBABILITY
  Probabilità di raggiungere il nodo dal nodo padre. Per i modelli di rete neurale, sempre 0.

• NODE_DISTRIBUTION
  Tabella nidificata che contiene informazioni statistiche per il nodo. Per informazioni dettagliate sul contenuto di questa tabella per ogni tipo di nodo, vedere la sezione Informazioni sulla tabella NODE_DISTRIBUTION.

• NODE_SUPPORT
  Per i modelli di rete neurale, sempre 0.

  [!NOTA]

  Le probabilità di supporto sono sempre 0 perché l'output di questo tipo di modello non è probabilistico. Soltanto i pesi sono significativi per l'algoritmo, pertanto l'algoritmo non calcola probabilità, supporto o varianza.

  Per ottenere informazioni sul supporto nei case di training per valori specifici, vedere il nodo delle statistiche marginali.

• MSOLAP_MODEL_COLUMN

  Nodo	Contenuto
  Nodo radice del modello	Vuoto
  Statistiche marginali	Vuoto
  Livello di input	Vuoto
  Nodo di input	Nome dell'attributo di input.
  Livello nascosto	Vuoto
  Nodo nascosto	Vuoto
  Livello di output	Vuoto
  Nodo di output	Nome dell'attributo di input.

• MSOLAP_NODE_SCORE
  Per un modello di rete neurale, sempre 0.

• MSOLAP_NODE_SHORT_CAPTION
  Per i modelli di rete neurale, sempre vuoto.

Osservazioni

Lo scopo del training di un modello di rete neurale consiste nel determinare i pesi associati a ogni transizione da un input a un punto medio e da un punto medio a un endpoint. Di conseguenza, il livello di input del modello esiste principalmente per archiviare i valori effettivi utilizzati per la creazione del modello. Nel livello nascosto vengono archiviati i pesi calcolati e vengono forniti nuovamente i puntatori agli attributi di input. Nel livello di output vengono archiviati i valori stimabili e vengono forniti nuovamente i puntatori ai punti medi nel livello nascosto.

Utilizzo dei nomi e degli ID dei nodi

La denominazione dei nodi in un modello di rete neurale fornisce informazioni aggiuntive sul tipo di nodo, per rendere più semplice la correlazione tra il livello nascosto e il livello di input e tra il livello di output e il livello nascosto. Nella tabella seguente viene illustrata la convenzione per gli ID assegnati ai nodi in ogni livello.

È possibile determinare quali attributi di input sono correlati a un nodo di livello nascosto specifico visualizzando la tabella NODE_DISTRIBUTION nel nodo nascosto (NODE_TYPE = 22). Ogni riga della tabella NODE_DISTRIBUTION contiene l'ID di un nodo dell'attributo di input.

Analogamente, è possibile determinare quali livelli nascosti sono correlati a un attributo di output visualizzando la tabella NODE_DISTRIBUTION nel nodo di output (NODE_TYPE = 23). Ogni riga della tabella NODE_DISTRIBUTION contiene l'ID di un nodo di livello nascosto, insieme al coefficiente correlato.

Interpretazione delle informazioni nella tabella NODE_DISTRIBUTION

In alcuni nodi la tabella NODE_DISTRIBUTION può essere vuota. Tuttavia, per nodi di input, nodi del livello nascosto e nodi di output, nella tabella NODE_DISTRIBUTION vengono archiviate informazioni importanti e interessanti sul modello. Per agevolare l'interpretazione di queste informazioni, la tabella NODE_DISTRIBUTION contiene una colonna VALUETYPE per ogni riga che indica se il valore nella colonna ATTRIBUTE_VALUE è discreto (4), discretizzato (5) o continuo (3).

Nodi di input

Nodi del livello nascosto

Nodi di output

Vedere anche

Riferimento

Concetti