Algoritmo Microsoft Decision Trees

Esempio

Il reparto marketing dell'azienda Adventure Works Cycles desidera identificare le caratteristiche dei clienti precedenti che potrebbero indicare se è probabile che tali clienti acquisteranno un prodotto in futuro. Nel database AdventureWorks vengono archiviate informazioni demografiche che descrivono i clienti precedenti. Grazie all'analisi di tali informazioni tramite l'algoritmo Microsoft Decision Trees, il reparto marketing può creare un modello che consente di stimare se un cliente specifico acquisterà prodotti, in base agli stati delle colonne conosciute su tale cliente, ad esempio quelle relative a informazioni demografiche o alle tendenze di acquisto passate.

Funzionamento dell'algoritmo

L'algoritmo Microsoft Decision Trees genera un modello di data mining creando una serie di divisioni nell'albero. Queste divisioni sono rappresentate come nodi. L'algoritmo aggiunge un nodo al modello ogni volta che rileva una colonna di input correlata in modo significativo alla colonna stimabile. Il modo in cui l'algoritmo determina una divisione varia a seconda che venga stimata una colonna continua o discreta.

L'algoritmo Microsoft Decision Trees utilizza la funzionalità di selezione degli attributi come guida per la selezione degli attributi più utili. La funzionalità di selezione degli attributi è utilizzata da tutti gli algoritmi di data mining di Analysis Services per migliorare le prestazioni e la qualità dell'analisi. La funzionalità di selezione degli attributi è importante per impedire agli attributi poco importanti di utilizzare il processore. Se si utilizza un numero eccessivo di input o di attributi stimabili quando si progetta un modello di data mining, l'elaborazione del modello può richiedere molto tempo oppure la memoria potrebbe risultare insufficiente. I metodi utilizzati per determinare se dividere l'albero includono le metriche standard del settore per entropia e le reti Bayes. Per ulteriori informazioni sui metodi utilizzati per selezionare, assegnare un punteggio e classificare gli attributi, vedere Funzionalità di selezione degli attributi nel data mining.

Un problema comune nei modelli di data mining è l'eccessiva sensibilità del modello alle piccole differenze nei dati di training. In tal caso, il modello viene denominato eccessivamente adattato o con training eccessivo. Non è possibile generalizzare un modello overfitted agli altri set di dati. Per evitare l'overfitting di un particolare set di dati, nell'algoritmo Microsoft Decision Trees vengono utilizzate tecniche per il controllo della crescita dell'albero. Per una spiegazione più dettagliata del funzionamento dell'algoritmo Microsoft Decision Trees, vedere Riferimento tecnico per l'algoritmo Microsoft Decision Trees.

Stima di colonne discrete

Stima di colonne continue

Dati richiesti per i modelli di albero delle decisioni

Quando si preparano i dati da utilizzare in un modello di albero delle decisioni, verificare che siano chiari i requisiti per l'algoritmo specifico, tra cui la quantità di dati necessari e la modalità di utilizzo dei dati.

I requisiti per un modello di albero delle decisioni sono i seguenti:

• Una singola colonnakey    Ogni modello deve contenere una colonna numerica o di testo che identifica in modo univoco ogni record. Le chiavi composte non sono consentite.

• Una colonna stimabile   Richiede almeno una colonna stimabile. È possibile includere più attributi stimabili in un modello e tali attributi possono essere di tipi diversi, numerici o discreti. Tuttavia, aumentando il numero di attributi stimabili può aumentare il tempo di elaborazione.

• Colonne di input   Richiede colonne di input, che possono essere discrete o continue. L'aumento del numero di attributi di input influisce sul tempo di elaborazione.

Per informazioni più dettagliate sui tipi di contenuto e i tipi di dati supportati per i modelli di albero delle decisioni, vedere la sezione Requisiti di Riferimento tecnico per l'algoritmo Microsoft Decision Trees.

Visualizzazione di un modello di albero delle decisioni

Per esplorare il modello, è possibile utilizzare il Visualizzatore Microsoft Decision Trees. Se il modello genera più alberi, è possibile selezionare un albero per visualizzare dettagli sulla classificazione dei case per ciascun attributo stimabile. È inoltre possibile visualizzare l'interazione degli alberi utilizzando il Visualizzatore rete di dipendenze. Per ulteriori informazioni, vedere Visualizzazione di un modello di data mining con il Visualizzatore Microsoft Decision Trees.

Per ulteriori dettagli sui nodi o sui rami dell'albero, è possibile esplorare il modello in Microsoft Generic Content Tree Viewer. Il contenuto memorizzato per il modello include la distribuzione per tutti i valori in ogni nodo, le probabilità di ogni livello dell'albero e le formule di regressione degli attributi continui. Per ulteriori informazioni, vedere Contenuto dei modelli di data mining per i modelli di albero delle decisioni (Analysis Services - Data mining).

Creazione di stime

In seguito all'elaborazione del modello, i risultati vengono archiviati come un set di modelli e statistiche che è possibile utilizzare per esplorare le relazioni o per eseguire stime.

Per gli esempi di query da utilizzare con un modello di albero delle decisioni, vedere Esecuzione di query su un modello di albero delle decisioni (Analysis Services - Data mining).

Per informazioni generali sulla creazione di query in base ai modelli di data mining, vedere Esecuzione di query sui modelli di data mining (Analysis Services - Data mining).

Osservazioni

• Supporta l'utilizzo del linguaggio PMML (Predictive Model Markup Language) per la creazione di modelli di data mining.

• Supporta il drill-through.

• Supporta l'utilizzo di modelli di data mining OLAP e la creazione di dimensioni di data mining.

Vedere anche

Riferimento

Concetti