Algoritmo de red neuronal de Microsoft

En SQL Server Analysis Services, el algoritmo de red neuronal de Microsoft combina cada estado posible del atributo de entrada con cada estado posible del atributo de predicción y usa los datos de entrenamiento para calcular las probabilidades. Más adelante puede usar estas probabilidades para la clasificación o regresión y predecir un resultado del atributo predicho, en función de los atributos de entrada.

Un modelo de minería de datos construido con el algoritmo de red neuronal de Microsoft puede contener varias redes, dependiendo del número de columnas que se usan para la entrada y la predicción, o que solo se usan para la predicción. El número de redes que contiene un único modelo de minería de datos depende del número de estados que contienen las columnas de entrada y las columnas predecibles que usa el modelo de minería de datos.

Ejemplo

El algoritmo de red neuronal de Microsoft es útil para analizar datos de entrada complejos, como desde un proceso de fabricación o comercial, o problemas empresariales para los que hay disponible una cantidad significativa de datos de entrenamiento, pero para las que las reglas no se pueden derivar fácilmente mediante el uso de otros algoritmos.

Entre los escenarios sugeridos para usar el algoritmo de red neuronal de Microsoft se incluyen los siguientes:

• Análisis de marketing y promoción, como medir el éxito de una promoción de correo directo o una campaña publicitaria de radio.

• Predicción del movimiento de acciones, la fluctuación de divisas u otra información financiera altamente fluida de los datos históricos.

• Análisis de procesos industriales y de fabricación.

• Minería de texto.

• Cualquier modelo de predicción que analice relaciones complejas entre muchas entradas y relativamente menos salidas.

Funcionamiento del algoritmo

El algoritmo de red neuronal de Microsoft crea una red compuesta de hasta tres capas de neuronas. Estas capas son una capa de entrada, una capa oculta opcional y una capa de salida.

Capa de entrada: Las neuronas de entrada definen todos los valores de atributo de entrada para el modelo de minería de datos y sus probabilidades.

Capa oculta: Las neuronas ocultas reciben entradas de las neuronas de entrada y proporcionan salidas a las neuronas de salida. La capa oculta es donde se asignan pesos a las distintas probabilidades de las entradas. Un peso describe la relevancia o importancia de una entrada determinada en la neurona oculta. Cuanto mayor sea el peso asignado a una entrada, más importante será el valor de esa entrada. Los pesos pueden ser negativos, lo que significa que la entrada puede impedir, en lugar de favorecer, un resultado específico.

Capa de salida: Las neuronas de salida representan valores de atributo predecibles para el modelo de minería de datos.

Para obtener una explicación detallada de cómo se construyen y puntúan las capas de entrada, ocultas y de salida, consulte Referencia técnica del algoritmo de red neuronal de Microsoft.

Datos necesarios para los modelos de red neuronal

Un modelo de red neuronal debe contener una columna de clave, una o varias columnas de entrada y una o varias columnas predecibles.

Los modelos de minería de datos que usan el algoritmo de red neuronal de Microsoft están muy influenciados por los valores que se especifican para los parámetros que están disponibles para el algoritmo. Los parámetros definen cómo se muestrean los datos, cómo se distribuyen los datos o se espera que se distribuyan en cada columna y cuándo se invoca la selección de características para limitar los valores que se usan en el modelo final.

Para obtener más información sobre cómo establecer parámetros para personalizar el comportamiento del modelo, consulte Referencia técnica del algoritmo de red neuronal de Microsoft.

Visualización de un modelo de red neuronal

Para trabajar con los datos y ver cómo el modelo correlaciona las entradas con salidas, puede usar el Visor de red neuronal de Microsoft. Con este visor personalizado, puede filtrar los atributos de entrada y sus valores, y ver gráficos que muestran cómo afectan a las salidas. Los tooltips del visor muestran la probabilidad y la elevación asociadas a cada par de valores de entrada y de salida. Para obtener más información, vea Examinar un modelo mediante el Visor de redes neuronales de Microsoft.

La manera más fácil de explorar la estructura del modelo es usar el Visor de árbol de contenido genérico de Microsoft. Puede ver las entradas, salidas y redes creadas por el modelo y hacer clic en cualquier nodo para expandirla y ver estadísticas relacionadas con los nodos de entrada, salida o capa oculta. Para obtener más información, vea Examinar un modelo mediante el Visor de árbol de contenido genérico de Microsoft.

Creación de predicciones

Una vez procesado el modelo, puede usar la red y los pesos almacenados en cada nodo para realizar predicciones. Un modelo de red neuronal admite el análisis de regresión, asociación y clasificación, por lo que el significado de cada predicción puede ser diferente. También puede consultar el propio modelo para revisar las correlaciones que se encontraron y recuperar estadísticas relacionadas. Para obtener ejemplos de cómo crear consultas en un modelo de red neuronal, consulte Ejemplos de consultas del modelo de red neuronal.

Para obtener información general sobre cómo crear una consulta en un modelo de minería de datos, consulte Consultas de minería de datos.

Observaciones

• No soporta dimensiones de desglose ni de minería de datos. Esto se debe a que la estructura de los nodos del modelo de minería no se corresponde directamente con los datos subyacentes.

• No admite la creación de modelos en formato de lenguaje de marcado de modelos predictivos (PMML).

• Admite el uso de modelos de minería de datos OLAP.

• No admite la creación de dimensiones de minería de datos.

Véase también

Referencia técnica del algoritmo de red neuronal de Microsoft
Contenido del modelo de minería de datos para modelos de red neuronal (Analysis Services - Minería de datos)
Ejemplos de consultas del modelo de red neuronal
Algoritmo de regresión logística de Microsoft