Algoritmo Naive Bayes di Microsoft

Si applica a: SQL Server 2019 e versioni precedenti di Analysis Services Azure Analysis Services Fabric/Power BI Premium

Importante

Il data mining è stato deprecato in SQL Server 2017 Analysis Services e ora è stato sospeso in SQL Server 2022 Analysis Services. La documentazione non viene aggiornata per le funzionalità deprecate e non più disponibili. Per altre informazioni, vedere Compatibilità con le versioni precedenti di Analysis Services.

L'algoritmo Naive Bayes Microsoft è un algoritmo di classificazione basato sui teoremi di Bayes. È possibile usare l'algoritmo sia per la modellazione esplorativa che per la modellazione predittiva. La parola naïve nel nome Naïve Bayes deriva dal fatto che l'algoritmo usa tecniche Bayesian, ma non tiene conto delle dipendenze che potrebbero esistere.

Questo algoritmo è meno intenso dal livello di calcolo rispetto ad altri algoritmi di Microsoft ed è utile per generare rapidamente modelli di data mining per individuare le relazioni tra colonne di input e colonne stimabili. È possibile usare questo algoritmo per l'esplorazione iniziale dei dati. Successivamente, è possibile applicare i risultati per creare modelli di data mining con altri algoritmi più intensi e più accurati dal livello di calcolo.

Example

Come strategia promozionale in corso, il reparto marketing per l'azienda Adventure Works Cycle decide di indirizzare potenziali clienti tramite la distribuzione di volantini. Per ridurre i costi, vogliono inviare volantini solo ai clienti che hanno probabilità di rispondere.

L'azienda archivia informazioni sui dati demografici e sulla risposta a un indirizzo precedente in un database. Vogliono usare questi dati per vedere in che modo i dati demografici, ad esempio l'età e la posizione, possono aiutare a prevedere la risposta a una promozione, confrontando potenziali clienti con caratteristiche simili e che hanno acquistato dall'azienda in passato. In particolare, l'azienda vuole vedere le differenze tra i clienti che hanno acquistato una bicicletta e quelli che non lo hanno fatto.

Usando l'algoritmo Naive Bayes Microsoft, il reparto marketing può prevedere rapidamente un risultato per un determinato profilo cliente e quindi determinare quali clienti sono più probabilità di rispondere ai volantini. Usando il visualizzatore Naive Bayes Microsoft in SQL Server Data Tools, possono anche analizzare visivamente quali colonne di input contribuiscono a risposte positive ai volantini.

Funzionamento dell'algoritmo

L'algoritmo Microsoft Naive Bayes calcola la probabilità di ogni stato di ogni colonna di input, in base a ogni possibile stato della colonna stimabile.

Per comprendere il funzionamento di questo calcolo, è possibile usare Microsoft Visualizzatore Naive Bayes in SQL Server Data Tools per esplorare visivamente come l'algoritmo distribuisce gli stati, come illustrato nell'immagine seguente.

Schermata della distribuzione degli stati di Naive Bayes.

Il visualizzatore Naive Bayes Microsoft elenca ogni colonna di input nel set di dati e mostra come vengono distribuiti gli stati di ogni colonna, in base a ogni stato della colonna stimabile. Usare questa vista del modello per identificare le colonne di input importanti per differenziare gli stati della colonna stimabile.

Ad esempio, nella riga per Commute Distance la distribuzione dei valori di input è visibilemente diversa per gli acquirenti rispetto ai nonbuyer. Questa differenza indica che l'input Commute Distance = 0-1 miglia è un potenziale stimatore.

Il visualizzatore fornisce anche valori per le distribuzioni, in modo da vedere che per i clienti che commutano da uno a due miglia per lavorare, la probabilità di acquistare una bicicletta è 0,387 e la probabilità che non acquistino una bicicletta è 0,287. In questo esempio, l'algoritmo usa le informazioni numeriche derivate dalle caratteristiche dei clienti, ad esempio la distanza commuta per stimare se un cliente acquisterà una bicicletta.

Per altre informazioni sull'uso del Visualizzatore Microsoft Naive Bayes, vedere Sfogliare un modello utilizzando il visualizzatore Microsoft Naive Bayes.

Dati necessari per i modelli Naive Bayes

Quando si preparano i dati per il training di un modello Naive Bayes, comprendere i requisiti per l'algoritmo, inclusi i dati necessari e il modo in cui vengono usati i dati.

I requisiti per un modello Naive Bayes sono i seguenti:

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

  • Colonne di input. In un modello Naive Bayes tutte le colonne devono essere discrete o i valori devono essere binati. Per informazioni su come binare o discretizzare le colonne, vedere Metodi di discretizzazione (data mining).

  • Variabili indipendenti. Per un modello Naive Bayes, gli attributi di input devono essere indipendenti l'uno dall'altro. Questo requisito è particolarmente importante quando si usa il modello per la stima. Se si usano due colonne di dati già strettamente correlate, l'effetto consiste nel moltiplicare l'influenza di tali colonne, che può nascondere altri fattori che influenzano il risultato.

    Al contrario, la capacità dell'algoritmo di identificare le correlazioni tra le variabili è utile quando si esplora un modello o un set di dati per identificare le relazioni tra gli input.

  • Almeno una colonna prevedibile. L'attributo stimabile deve contenere valori discreti o discretizzati.

    È possibile considerare i valori della colonna stimabile come input. Questa procedura può essere utile quando si esplora un nuovo set di dati per trovare relazioni tra le colonne.

Visualizzazione del modello

Per esplorare il modello, usare Microsoft Visualizzatore Naive Bayes. Il visualizzatore mostra in che modo gli attributi di input sono correlati all'attributo stimabile. Il visualizzatore fornisce anche un profilo dettagliato di ogni cluster, un elenco degli attributi che distinguono ogni cluster dagli altri e le caratteristiche dell'intero set di dati di training. Per altre informazioni, vedere Esplorare un modello usando il Visualizzatore Microsoft Naive Bayes.

Per altri dettagli, esplorare il modello nel visualizzatore albero del contenuto generico (data mining) Microsoft. Per ulteriori informazioni sul tipo di informazioni archiviate nel modello, vedere Contenuto del modello di data mining per i modelli Naive Bayes (Analysis Services - Data Mining).

Fare previsioni

Dopo aver eseguito il training del modello, i risultati vengono archiviati come set di modelli che è possibile esplorare o usare per eseguire stime. È possibile creare query per restituire stime sul modo in cui i nuovi dati sono correlati all'attributo stimabile oppure è possibile recuperare statistiche che descrivono le correlazioni trovate dal modello.

Per informazioni su come creare query su un modello di data mining, vedere Query di data mining. Per esempi di come usare query con un modello Naive Bayes, vedere Esempi di query sul modello Naive Bayes.

Osservazioni:

  • Supporta l'uso di Predictive Model Markup Language (PMML) per creare modelli di data mining.

  • Supporta il drill-through.

  • Non consente la creazione di dimensioni di data mining.

  • Supporta l'uso di modelli di data mining OLAP.

Vedere anche

Algoritmi di Data Mining (Analysis Services - Data Mining)
Selezione delle caratteristiche (data mining)
Esempi di query sul modello Naive Bayes
Contenuto del modello di data mining per i modelli Naive Bayes (Analysis Services - Data mining)
Riferimento tecnico per l'algoritmo Microsoft Naive Bayes