Personalización de modelos y estructura de minería

Después de seleccionar un algoritmo que satisfaga sus necesidades empresariales, puede personalizar el modelo de minería de datos de las siguientes maneras para potencialmente mejorar los resultados.

• Use diferentes columnas de datos en el modelo o cambie el uso, el tipo de contenido o el método de discretización de las columnas.

• Cree filtros en el modelo de minería de datos para restringir los datos usados en el entrenamiento del modelo.

• Cambie el algoritmo que se usó para analizar los datos.

• Establezca parámetros de algoritmo para controlar umbrales, divisiones de árbol y otras condiciones importantes.

En este tema se describen estas opciones.

Cambio de datos usados por el modelo

Las decisiones que se toman sobre las columnas de datos que se van a usar en el modelo y cómo usar y procesar esos datos afectan considerablemente a los resultados del análisis. En los temas siguientes se proporciona información para ayudarle a comprender estas opciones.

Uso de la selección de características

La mayoría de los algoritmos de minería de datos de Analysis Services usan un proceso denominado selección de características para seleccionar solo los atributos más útiles para agregar a un modelo. Reducir el número de columnas y atributos puede mejorar el rendimiento y la calidad del modelo. Los métodos de selección de características disponibles difieren en función del algoritmo que elija.

Selección de características (minería de datos).

Cambio del uso

Puede cambiar qué columnas se incluyen en un modelo de minería de datos y cómo se usa cada columna. Si no obtiene los resultados esperados, debe mostrar ejemplos de las columnas que usó como entrada y preguntarse si las columnas son una buena opción y si hay algo que puede hacer para mejorar el control de los datos, entre los que se incluyen:

• Identificación de variables categóricas que se han etiquetado erróneamente como números.

• Agregar categorías para contraer el número de atributos y facilitar la búsqueda de correlaciones.

• Cambiar la forma en que los números están agrupados en intervalos o discretizados.

• Quitar columnas que tienen muchos valores únicos o columnas que realmente son datos de referencia y que no son útiles para el análisis, como direcciones o nombres intermedios.

No es necesario quitar físicamente columnas de la estructura de minería; simplemente puede marcar la columna como Omitir. La columna se quita del modelo de minería de datos, pero otros modelos de minería de datos pueden usarse en la estructura o en una consulta de obtención de detalles.

Creación de alias para columnas de modelo

Cuando Analysis Services crea el modelo de minería de datos, usa los mismos nombres de columna que están en la estructura de minería de datos. Puede agregar un alias a cualquier columna del modelo de minería de datos. Esto puede facilitar la comprensión del contenido o el uso de las columnas, o bien hacer que el nombre sea más corto para mayor comodidad al crear consultas. Los alias también son útiles cuando se desea crear una copia de una columna y asignarle un nombre descriptivo.

Para crear un alias, edite la Name propiedad de la columna del modelo de minería de datos. Analysis Services sigue usando el nombre original como identificador de la columna, y el valor nuevo que usted escribe en Name se convierte en el alias de la columna, y aparece en la cuadrícula entre paréntesis junto al uso de la columna.

de

El gráfico muestra modelos relacionados que tienen varias copias de una columna de estructura de minería, todas relacionadas con Ingresos. Cada copia de la columna de estructura se ha discretizado de una manera diferente. Los modelos en el diagrama usan cada uno una columna diferente de la estructura de minería de datos; sin embargo, para mayor comodidad al comparar las columnas entre los modelos, la columna en cada modelo ha sido renombrada a [Ingresos].

Agregar filtros

Puede agregar un filtro a un modelo de minería de datos. Un filtro es un conjunto de condiciones WHERE que restringen los datos de los casos del modelo a algún subconjunto. El filtro se usa al entrenar el modelo y, opcionalmente, se puede usar al probar el modelo o crear gráficos de precisión.

Al agregar filtros, puede reutilizar estructuras de minería de datos, pero crear modelos basados en subconjuntos muy diferentes de los datos. O bien, simplemente puede usar filtros para eliminar determinadas filas y mejorar la calidad del análisis.

Para obtener más información, vea Filtros para modelos de minería de datos (Analysis Services - Minería de datos).

Cambiar el algoritmo

Aunque los nuevos modelos que agregue a una estructura de minería de datos comparten el mismo conjunto de datos, puede obtener resultados diferentes mediante un algoritmo diferente (si los datos lo admiten) o cambiando los parámetros del algoritmo. También puede establecer marcas de modelado.

La elección del algoritmo determina qué tipo de resultados obtendrá. Para obtener información general sobre cómo funciona un algoritmo específico o los escenarios empresariales en los que se beneficiaría del uso de un algoritmo determinado, consulte Algoritmos de minería de datos (Analysis Services - Minería de datos).

Consulte el tema de referencia técnica de cada algoritmo para obtener una descripción de los requisitos y restricciones, así como información detallada sobre las personalizaciones que admite cada algoritmo.

Personalización de parámetros de algoritmo

Cada algoritmo admite parámetros que puede usar para personalizar el comportamiento del algoritmo y ajustar los resultados del modelo. Para obtener una descripción de cómo usar cada parámetro, consulte los temas siguientes:

En el tema de cada tipo de algoritmo también se enumeran las funciones de predicción que se pueden usar con modelos basados en ese algoritmo.

Véase también

Algoritmos de minería de datos (Analysis Services - Minería de datos)Arquitectura física (Analysis Services - Minería de datos)