Algorithme de réseau neuronal Microsoft

Dans SQL Server Analysis Services, l’algorithme Microsoft Neural Network combine chaque état possible de l’attribut d’entrée avec chaque état possible de l’attribut prédictible et utilise les données d’entraînement pour calculer les probabilités. Vous pouvez ensuite utiliser ces probabilités pour la classification ou la régression et prédire un résultat de l’attribut prédit, en fonction des attributs d’entrée.

Un modèle d’exploration de données construit avec l’algorithme Microsoft Neural Network peut contenir plusieurs réseaux, en fonction du nombre de colonnes utilisées pour l’entrée et la prédiction, ou qui sont utilisées uniquement pour la prédiction. Le nombre de réseaux qu’un modèle d’exploration de données unique contient dépend du nombre d’états contenus par les colonnes d’entrée et les colonnes prévisibles que le modèle d’exploration de données utilise.

Exemple :

L’algorithme Microsoft Neural Network est utile pour analyser des données d’entrée complexes, comme à partir d’un processus de fabrication ou commercial, ou de problèmes métier pour lesquels une quantité importante de données d’apprentissage est disponible, mais pour laquelle les règles ne peuvent pas être facilement dérivées à l’aide d’autres algorithmes.

Les scénarios suggérés pour l’utilisation de l’algorithme Microsoft Neural Network incluent les éléments suivants :

• Analyse du marketing et de la promotion, telles que la mesure du succès d’une promotion par publipostage direct ou d’une campagne publicitaire de radio.

• Prédiction du mouvement boursier, de la fluctuation monétaire ou d’autres informations financières hautement fluides à partir de données historiques.

• Analyse des processus industriels et de fabrication.

• Exploration de texte.

• Tout modèle de prédiction qui analyse les relations complexes entre de nombreuses entrées et des sorties relativement moins nombreuses.

Fonctionnement de l’algorithme

L’algorithme Microsoft Neural Network crée un réseau composé de jusqu’à trois couches de neurones. Ces couches sont une couche d’entrée, une couche masquée facultative et une couche de sortie.

Couche d’entrée : Les neurones d’entrée définissent toutes les valeurs d’attribut d’entrée pour le modèle d’exploration de données et leurs probabilités.

Couche masquée : Les neurones masqués reçoivent des entrées des neurones d’entrée et fournissent des sorties aux neurones de sortie. La couche masquée est l’endroit où les différentes probabilités des entrées sont affectées des pondérations. Un poids décrit la pertinence ou l’importance d’une entrée particulière au neurone caché. Plus le poids affecté à une entrée est élevé, plus la valeur de cette entrée est importante. Les poids peuvent être négatifs, ce qui signifie que l’entrée peut empêcher, plutôt que de favoriser, un résultat spécifique.

Couche de sortie : Les neurones de sortie représentent des valeurs d’attribut prévisibles pour le modèle d’exploration de données.

Pour obtenir une explication détaillée de la façon dont les couches d’entrée, masquées et de sortie sont construites et notées, consultez La référence technique de l’algorithme de réseau neuronal Microsoft.

Données requises pour les modèles de réseau neuronal

Un modèle de réseau neuronal doit contenir une colonne clé, une ou plusieurs colonnes d’entrée et une ou plusieurs colonnes prévisibles.

Les modèles d’exploration de données qui utilisent l’algorithme Microsoft Neural Network sont fortement influencés par les valeurs que vous spécifiez pour les paramètres disponibles pour l’algorithme. Les paramètres définissent le mode d’échantillonnage des données, la distribution des données ou la distribution attendue dans chaque colonne, et quand la sélection de caractéristiques est appelée pour limiter les valeurs utilisées dans le modèle final.

Pour plus d’informations sur la définition de paramètres pour personnaliser le comportement du modèle, consultez Microsoft Neural Network Algorithm Technical Reference.

Affichage d’un modèle de réseau neuronal

Pour utiliser les données et voir comment le modèle met en corrélation les entrées avec les sorties, vous pouvez utiliser la visionneuse de réseau neuronal Microsoft. Avec cette visionneuse personnalisée, vous pouvez filtrer sur les attributs d’entrée et leurs valeurs, et voir les graphiques qui montrent comment ils affectent les sorties. Les info-bulles de la visionneuse affichent la probabilité et l’élévation associées à chaque paire de valeurs d’entrée et de sortie. Pour plus d’informations, consultez Parcourir un modèle à l’aide de la visionneuse de réseau neuronal Microsoft.

Le moyen le plus simple d’explorer la structure du modèle consiste à utiliser la visionneuse de l’arborescence de contenu générique Microsoft. Vous pouvez afficher les entrées, les sorties et les réseaux créés par le modèle, puis cliquer sur n’importe quel nœud pour le développer et afficher les statistiques relatives aux nœuds d’entrée, de sortie ou de couche masqués. Pour plus d’informations, consultez Parcourir un modèle à l’aide de l’arborescence de contenu générique Microsoft.

Création de prédictions

Une fois le modèle traité, vous pouvez utiliser le réseau et les pondérations stockées dans chaque nœud pour effectuer des prédictions. Un modèle de réseau neuronal prend en charge la régression, l’association et l’analyse de classification. Par conséquent, la signification de chaque prédiction peut être différente. Vous pouvez également interroger le modèle lui-même pour examiner les corrélations trouvées et récupérer les statistiques associées. Pour obtenir des exemples de création de requêtes sur un modèle de réseau neuronal, consultez Exemples de requêtes de modèle de réseau neuronal.

Pour obtenir des informations générales sur la création d’une requête sur un modèle d’exploration de données, consultez Requêtes d’exploration de données.

Remarques

• Ne prend pas en charge les fonctionnalités de traçage ou les dimensions d'exploration de données. Cela est dû au fait que la structure des nœuds du modèle d’exploration de données ne correspond pas nécessairement directement aux données sous-jacentes.

• Ne prend pas en charge la création de modèles au format PMML (Predictive Model Markup Language).

• Prend en charge l’utilisation de modèles d’exploration de données OLAP.

• Ne prend pas en charge la création de dimensions d’exploration de données.

Voir aussi

Informations techniques de référence sur l’algorithme de réseau neuronal Microsoft
Contenu du modèle d’exploration de données pour les modèles de réseau neuronal (Analysis Services - Exploration de données)
Exemples de requête de modèle de réseau neuronal
Algorithme de régression logistique Microsoft