Macierz klasyfikacji (Analysis Services — eksploracja danych)

Dotyczy: SQL Server 2019 i starsze usługi Analysis Services Azure Analysis Services Fabric/Power BI Premium

Macierz klasyfikacji sortuje wszystkie przypadki z modelu na kategorie, określając, czy przewidywana wartość jest zgodna z rzeczywistą wartością. Wszystkie przypadki w każdej kategorii są następnie liczone, a sumy są wyświetlane w macierzy. Macierz klasyfikacji to standardowe narzędzie do oceny modeli statystycznych i czasami nazywane macierzą pomyłek.

Wykres tworzony podczas wybierania opcji Macierz klasyfikacji porównuje wartości rzeczywiste z przewidywanymi wartościami dla każdego określonego stanu przewidywanego. W macierzy wiersze reprezentują przewidywane wartości dla modelu, a kolumny reprezentują wartości rzeczywiste. Kategorie używane w analizie są fałszywie dodatnie, prawdziwie dodatnie, fałszywie ujemne i prawdziwie ujemne

Macierz klasyfikacji jest ważnym narzędziem do oceny wyników przewidywania, ponieważ ułatwia zrozumienie i uwzględnianie skutków nieprawidłowych przewidywań. Wyświetlając kwoty i wartości procentowe w każdej komórce tej macierzy, możesz szybko zobaczyć, jak często model przewidział dokładnie.

W tej sekcji wyjaśniono, jak utworzyć macierz klasyfikacji i jak interpretować wyniki.

Opis macierzy klasyfikacji

Rozważ model utworzony w ramach samouczka podstawowego wyszukiwania danych. Model [TM_DecisionTree] służy do tworzenia docelowej kampanii wysyłkowej i może służyć do przewidywania, którzy klienci najprawdopodobniej kupią rower. Aby przetestować tę oczekiwaną użyteczność tego modelu, należy użyć zestawu danych, dla którego wartości atrybutu wyniku [Bike Buyer] są już znane. Zazwyczaj można użyć zestawu danych testowych, który został odłożony podczas tworzenia struktury eksploracyjnej używanej do trenowania modelu.

Istnieją tylko dwa możliwe wyniki: tak (klient może kupić rower) i nie (klient prawdopodobnie nie kupi roweru). W związku z tym wynikowa macierz klasyfikacji jest stosunkowo prosta.

Interpretowanie wyników

W poniższej tabeli przedstawiono macierz klasyfikacji modelu TM_DecisionTree. Należy pamiętać, że dla tego przewidywalnego atrybutu wartość 0 oznacza wartość Nie i 1 oznacza wartość Tak.

Pierwsza komórka wyniku zawierająca wartość 362 wskazuje liczbę wyników prawdziwie dodatnich dla wartości 0. Ponieważ wartość 0 wskazuje, że klient nie kupił roweru, ta statystyka informuje, że model poprawnie przewidział brak zakupu roweru w 362 przypadkach.

Komórka bezpośrednio pod tą, która zawiera wartość 121, informuje o liczbie wyników fałszywie dodatnich, czyli o tym, ile razy model przewidział, że ktoś kupi rower, gdy w rzeczywistości tego nie zrobił.

Komórka zawierająca wartość 144 wskazuje liczbę wyników fałszywie dodatnich dla wartości 1. Ponieważ 1 oznacza, że klient kupił rower, ta statystyka informuje, że w 144 przypadkach model przewidział, że ktoś nie kupi roweru, gdy w rzeczywistości to zrobi.

Na koniec komórka zawierająca wartość 373 wskazuje liczbę wyników prawdziwie dodatnich dla wartości docelowej 1. Innymi słowy, w 373 przypadkach model prawidłowo przewidział, że ktoś kupi rower.

Sumując wartości w komórkach, które są sąsiadujące po przekątnej, można określić ogólną dokładność modelu. Jedna przekątna informuje o całkowitej liczbie dokładnych przewidywań, a druga przekątna informuje o łącznej liczbie błędnych przewidywań.

Używanie wielu przewidywalnych wartości

Przypadek [Nabywca roweru] jest szczególnie łatwy do zinterpretowania, ponieważ istnieją tylko dwie możliwe wartości. Gdy przewidywalny atrybut ma wiele możliwych wartości, macierz klasyfikacji dodaje nową kolumnę dla każdej możliwej rzeczywistej wartości, a następnie zlicza liczbę dopasowań dla każdej przewidywanej wartości. W poniższej tabeli przedstawiono wyniki w innym modelu, w którym możliwe są trzy wartości (0, 1, 2).

Chociaż dodanie większej liczby kolumn sprawia, że raport wygląda bardziej złożony, dodatkowe szczegóły mogą być bardzo przydatne, gdy chcesz ocenić skumulowany koszt dokonywania nieprawidłowego przewidywania. Aby utworzyć sumy na przekątnych lub porównać wyniki dla różnych kombinacji wierszy, możesz kliknąć przycisk Kopiuj na karcie Macierz klasyfikacji i wkleić raport do programu Excel. Alternatywnie można użyć klienta, takiego jak klient wyszukiwania danych dla programu Excel, który obsługuje program SQL Server 2005 (9.x) i nowsze wersje, aby utworzyć raport klasyfikacji bezpośrednio w programie Excel zawierający zarówno liczby, jak i wartości procentowe. Aby uzyskać więcej informacji, zobacz SQL Server Data Mining (Wyszukiwanie danych programu SQL Server).

Ograniczenia macierzy klasyfikacji

Macierz klasyfikacji może być używana tylko z dyskretnymi przewidywalnymi atrybutami.

Chociaż można dodać wiele modeli podczas wybierania modeli na karcie Wybór danych wejściowych projektanta Wykresu dokładności wydobywania danych, karta Macierz klasyfikacji wyświetli oddzielną macierz dla każdego modelu.

Powiązana zawartość

Poniższe tematy zawierają więcej informacji na temat tworzenia macierzy klasyfikacji i innych wykresów oraz korzystania z nich.

Zobacz też

Testowanie i walidacja (eksploracja danych)