Sunteți pe pagina 1din 30

1.

Agregar una vista del origen de datos con tablas anidadas:


Agregar una vista del origen de datos
Crear una relación entre tablas
Esta tabla de compras anidada se relaciona con la tabla de clientes mediante una relación de
varios a uno. La tabla anidada podría contener muchas filas para cada cliente, cada una con un
único producto que se compró, quizás con información adicional sobre el orden en el que se
realizaron las compras, el precio en el momento del pedido o cualquier promoción que se
aplicara. Puede utilizar la información de la tabla anidada como entrada para el modelo o como
el atributo de predicción

2. Crear una estructura y un modelo de cesta de la compra:


Ahora que ha creado una vista del origen de datos, utilizará el Asistente para minería de datos
con el fin de crear una nueva estructura de minería de datos. En esta tarea, creará una estructura
y un modelo de minería de datos que se basen en el algoritmo de asociación de Microsoft.

Crear una estructura de minería de datos de asociación


3. Modificar y procesar el modelo de cesta de la compra
Explorar los modelos Market Basket (tutorial intermedio de
minería de datos)
Redes de dependencia:
Con esta herramienta se puede examinar la interacción entre los diferentes elementos del
modelo. Cada nodo del visor representa un elemento mientras que las líneas entre ellos
representan las relaciones.

Seleccionando un nodo en Red de Dependencias nos indica qué elementos predice al


elemento actual. En algunos casos hay asociación bidireccional
Conjunto de Elementos:
Conjuntos de elementos muestra tres extractos de información importantes relacionados con
los conjuntos de elementos que el algoritmo de asociación de Microsoft detecta:
 Soporte: el número de transacciones en las que se produce el conjunto de elementos.
 Tamaño: el número de elementos que se encuentran en el conjunto de elementos.
 Elementos: una lista de los elementos incluidos en cada conjunto de elementos.
Reglas:
La pestaña Reglas muestra la siguiente información relacionada con las reglas que el algoritmo
encuentra.
 Probabilidad: la probabilidad de una regla, definida como la probabilidad del elemento
de la derecha dado el elemento de la izquierda.
 Importancia: una medida de la utilidad de una regla. Un valor mayor significa una regla
mejor.
La importancia se proporciona para ayudarle a calibrar la utilidad de una regla, porque
la probabilidad por sí sola puede ser engañosa. Por ejemplo, si cada transacción
contuviera una botella de agua, quizás agregada automáticamente al carro de cada
cliente como parte de una promoción, el modelo crearía una regla que predice que la
botella de agua tiene una probabilidad de 1. Si se basa en la probabilidad únicamente,
esta regla es muy precisa, pero no proporciona información útil.
 Regla: definición de la regla. Para un modelo de cesta de la compra, una regla describe
una combinación concreta de elementos.
Visor de árbol de contenido genérico:
Un árbol de contenido es una representación de un modelo de minería como una serie de
nodos, donde cada nodo representa el conocimiento adquirido acerca de cierto subconjunto de
los datos. El nodo puede contener un modelo, un conjunto de reglas, un clúster o la definición
de un intervalo de fechas que comparten ciertas características
Filtrar un tabla anidada en un modelo de minería de datos
(tutorial intermedio de minería de datos)
Predecir Asociaciones:
Una vez procesados los modelos, puede utilizar la información sobre las asociaciones
almacenada en el modelo para crear predicciones. En la tarea final de esta lección, aprenderá a
generar consultas de predicción a partir de los modelos de asociación que creó.

Crear una consulta de predicción Singleton:


Las consultas de predicción en un modelo de asociación pueden ser muy útiles para lo
siguiente:

 Recomendar artículos a un cliente, en función de compras anteriores o relacionadas.


 Buscar eventos relacionados.
 identificar relaciones en o entre conjuntos de transacciones.
Cambiar a vista Resultado

Los resultados esperados contienen una sola columna con el encabezado expresión. La
columna expresión contiene una tabla anidada con una sola columna y las siguientes tres filas.
Como no especificó un valor de entrada, estas predicciones representan las asociaciones de
productos del modelo en su conjunto que tienen mayor probabilidad de producirse.
Crear una consulta de predicción singleton con entradas de tabla anidada
Los resultados muestran ahora las predicciones de los productos que con mayor probabilidad
estarán asociados a Touring Tire.

Sin embargo, al explorar el modelo sabrá ya que Touring Tire Tube a menudo se compra junto
con Touring Tire; lo que más le interesa saber es qué productos puede recomendar a los clientes
que compran estos dos artículos juntos. Cambiará la consulta para que prediga productos
relacionados en función de dos elementos de la cesta. Modificará también la consulta para
agregar la probabilidad de cada producto predicho.
Agregar entradas y probabilidades a la consulta de predicción Singleton