Conteúdo do modelo de mineração para modelos de rede neural (Analysis Services – Mineração de Dados)

Entendendo a estrutura de um modelo de rede neural

Cada modelo de rede neural tem um único nó pai que representa o modelo e seus metadados, além de um nó de estatísticas marginais (NODE_TYPE = 24) que fornece estatísticas descritivas sobre os atributos de entrada. O nó de estatísticas marginais é útil porque resume informações sobre entradas, para que não seja necessário consultar dados de nós individuais.

Sob esses dois nós, há pelo menos mais dois nós, e talvez haja mais, dependendo da quantidade de atributos previsíveis do modelo.

• O primeiro nó (NODE_TYPE = 18) sempre representa o nó superior da camada de entrada. Sob esse nó superior, é possível encontrar nós de entrada (NODE_TYPE = 21) que contêm os atributos de entrada reais e seus valores.

• Nós sucessivos contêm uma sub-rede diferente (NODE_TYPE = 17). Cada sub-rede sempre contém uma camada oculta (NODE_TYPE = 19) e uma cama da de saída (NODE_TYPE = 20) para essa sub-rede.

As informações na camada de entrada são objetivas: o nó superior de cada camada de entrada (NODE_TYPE = 18) atua como um organizador de uma coleção de nós de entrada (NODE_TYPE = 21). O conteúdo dos nós de entrada é descrito na tabela a seguir.

Cada sub-rede (NODE_TYPE = 17) representa a análise da influência da camada de entrada em um determinado atributo previsível. Se houver várias saídas previsíveis, haverá várias sub-redes. A camada oculta de cada sub-rede contém vários nós ocultos (NODE_TYPE = 22) que contêm detalhes sobre os pesos de cada transição que termina nesse nó oculto em particular.

A camada de saída (NODE_TYPE = 20) contém nós de saída (NODE_TYPE = 23) que contêm valores distintos do atributo previsível. Se o atributo previsível for um tipo de dados numérico contínuo, haverá apenas um nó de saída para o atributo.

Observação
O algoritmo regressão logística usa um caso especial de rede neural que tem apenas um resultado previsível e potencialmente muitas entradas. A regressão logística não usa uma camada oculta.

A maneira mais fácil de explorar a estrutura das entradas e sub-redes é utilizar o Visualizador de Árvore de Conteúdo Genérica da Microsoft. Você pode clicar em qualquer nó para expandi-lo e visualizar os nós filho ou exibir os pesos e outras estatísticas contidas no nó.

Para trabalhar com os dados e verificar como o modelo correlaciona entradas com saídas, use o Visualizador de Rede Neural da Microsoft. Ao usar esse visualizador personalizado, você pode filtrar os atributos de entrada e seus valores e visualizar graficamente como eles afetam as saídas. As dicas de ferramentas no visualizador mostram a probabilidade e a comparação de precisão associadas a cada par de valores de entrada e saída. Para obter mais informações, consulte Exibindo um modelo de mineração com o Visualizador de Rede Neural da Microsoft.

Conteúdo de um modelo de rede neural

Esta seção fornece detalhes e exemplos somente das colunas do conteúdo do modelo de mineração que são relevantes para redes neurais. Para obter informações sobre colunas de fins gerais no conjunto de linhas de esquema, como MODEL_CATALOG e MODEL_NAME, que não são descritas aqui, ou para obter explicações da terminologia do modelo de mineração, consulte Conteúdo do modelo de mineração (Analysis Services - Mineração de dados).

• MODEL_CATALOG
  Nome do banco de dados onde o modelo é armazenado.

• MODEL_NAME
  O nome do modelo.

• ATTRIBUTE_NAME
  Nomes dos atributos que correspondem a esse nó.

  Nó	Conteúdo
  Raiz do modelo	Em branco
  Estatísticas marginais	Em branco
  Camada de entrada	Em branco
  Nó de entrada	Nome do atributo de entrada
  Camada oculta	Em branco
  Nó oculto	Em branco
  Camada de saída	Em branco
  Nó de saída	Nome do atributo de saída

• NODE_NAME
  O nome do nó. Esta coluna contém o mesmo valor que NODE_UNIQUE_NAME.

• NODE_UNIQUE_NAME
  Nome exclusivo do nó.

  Para obter mais informações sobre como os nomes e as IDs fornecem dados estruturais sobre o modelo, consulte a seção, Usando nomes e IDs de nós.

• NODE_TYPE
  Um modelo de rede neural produz apenas os seguintes tipos de nó:

  ID do tipo de nó	Descrição
  1	Modelo.
  17	Nó do organizador para a sub-rede.
  18	Nó do organizador da camada de entrada.
  19	Nó do organizador da camada oculta.
  20	Nó do organizador da camada de saída.
  21	Nó do atributo de entrada.
  22	Nó da camada oculta
  23	Nó do atributo de saída.
  24	Nó de estatísticas marginais.

• NODE_CAPTION
  Um rótulo ou uma legenda associada ao nó. Em modelos de rede neural, sempre em branco.

• CHILDREN_CARDINALITY
  Uma estimativa do número de filhos do nó.

  Nó	Conteúdo
  Raiz do modelo	Indica a contagem de nós filho, que inclui pelo menos 1 rede, 1 nó marginal necessário e 1 camada de entrada necessária. Por exemplo, se o valor for 5, haverá 3 sub-redes.
  Estatísticas marginais	Sempre 0.
  Camada de entrada	Indica o número de pares de atributo-valores de entrada usados pelo modelo.
  Nó de entrada	Sempre 0.
  Camada oculta	Indica o número de nós ocultos que foram criados pelo modelo.
  Nó oculto	Sempre 0.
  Camada de saída	Indica o número de valores de saída.
  Nó de saída	Sempre 0.

• PARENT_UNIQUE_NAME
  Nome exclusivo do pai do nó. NULL é retornado para todos os nós em nível raiz.

  Para obter mais informações sobre como os nomes e as IDs fornecem dados estruturais sobre o modelo, consulte a seção, Usando nomes e IDs de nós.

• NODE_DESCRIPTION
  Uma descrição amigável do nó.

  Nó	Conteúdo
  Raiz do modelo	Em branco
  Estatísticas marginais	Em branco
  Camada de entrada	Em branco
  Nó de entrada	Nome do atributo de entrada
  Camada oculta	Em branco
  Nó oculto	Número inteiro que indica a seqüência do nó oculto na lista de nós ocultos.
  Camada de saída	Em branco
  Nó de saída	Se o atributo de saída for contínuo, conterá o nome do atributo de saída. Se o atributo de saída for discreto ou diferenciado, contém o nome do atributo e o valor.

• NODE_RULE
  Uma descrição XML da regra é incorporada ao nó.

  Nó	Conteúdo
  Raiz do modelo	Em branco
  Estatísticas marginais	Em branco
  Camada de entrada	Em branco
  Nó de entrada	Um fragmento de XML que contém as mesmas informações que a coluna NODE_DESCRIPTION.
  Camada oculta	Em branco
  Nó oculto	Número inteiro que indica a seqüência do nó oculto na lista de nós ocultos.
  Camada de saída	Em branco
  Nó de saída	Um fragmento de XML que contém as mesmas informações que a coluna NODE_DESCRIPTION.

• MARGINAL_RULE
  Para modelos de rede neural, sempre em branco.

• NODE_PROBABILITY
  A probabilidade associada a este nó. Para modelos de rede neural, sempre 0.

• MARGINAL_PROBABILITY
  Probabilidade de que o nó seja alcançado a partir do nó pai. Para modelos de rede neural, sempre 0.

• NODE_DISTRIBUTION
  Uma tabela aninhada que contém informações estatísticas para o nó. Para obter informações detalhadas sobre o conteúdo dessa tabela para cada tipo de nó, consulte a seção Entendendo a tabela NODE_DISTRIBUTION.

• NODE_SUPPORT
  Para modelos de rede neural, sempre 0.

  Observação
  O suporte a probabilidades é sempre 0 porque a saída desse tipo modelo não é probabilística. Somente os pesos são significativos para o algoritmo; portanto, o algoritmo não computa probabilidade, suporte ou variação.

  Para obter informações sobre o suporte nos casos de treinamento para valores específicos, consulte o nó de estatísticas marginais.

• MSOLAP_MODEL_COLUMN

  Nó	Conteúdo
  Raiz do modelo	Em branco
  Estatísticas marginais	Em branco
  Camada de entrada	Em branco
  Nó de entrada	Nome do atributo de entrada.
  Camada oculta	Em branco
  Nó oculto	Em branco
  Camada de saída	Em branco
  Nó de saída	Nome do atributo de entrada.

• MSOLAP_NODE_SCORE
  Para um modelo de rede neural, sempre 0.

• MSOLAP_NODE_SHORT_CAPTION
  Para modelos de rede neural, sempre em branco.

Comentários

O objetivo do treinamento de um modelo de rede neural é determinar os pesos associados a cada transição de uma entrada para um ponto médio, e de um ponto médio para um ponto de extremidade. Assim, a camada de entrada do modelo existe principalmente para armazenar os valores reais usados para criar o modelo. A camada oculta armazena os pesos que foram computados e fornece ponteiros para os atributos de entrada. A camada de saída armazena os valores previsíveis e também fornece ponteiros para os pontos médios na camada oculta.

Usando nomes de nó e IDs

A nomenclatura dos nós em um modelo de rede neural fornece mais informações sobre o tipo de nó, para tornar mais fácil relacionar a camada oculta à camada de entrada, e a camada de saída à camada oculta. A tabela a seguir mostra a convenção para as IDs atribuídas aos nós em cada camada.

Você pode determinar quais atributos de entrada estão relacionados a um nó da camada oculta específico exibindo a tabela NODE_DISTRIBUTION no nó oculto (NODE_TYPE = 22). Cada linha da tabela NODE_DISTRIBUTION contém a ID de um nó de atributo de entrada.

De modo semelhante, você pode determinar quais camadas ocultas estão relacionadas a um atributo de saída exibindo a tabela NODE_DISTRIBUTION no nó de saída (NODE_TYPE = 23). Cada linha da tabela NODE_DISTRIBUTION contém a ID de um nó da camada oculta, junto com o coeficiente relacionado.

Interpretando as informações na tabela NODE_DISTRIBUTION

A tabela NODE_DISTRIBUTION pode estar vazia em alguns nós. No entanto, para nós de entrada, nós da camada oculta e nós de saída, a tabela NODE_DISTRIBUTION armazena informações importantes e interessantes sobre o modelo. Para ajudá-lo a interpretar essas informações, a tabela NODE_DISTRIBUTION contém uma coluna VALUETYPE para cada linha que informa se o valor na coluna ATTRIBUTE_VALUE é Discreto (4), Diferenciado (5) ou Contínuo (3).

Nós de entrada

Nós da camada oculta

Nós de saída

Consulte também

Referência

Conceitos