Share via

  • Article

Test d'un modèle filtré (Didacticiel sur l'exploration de données de base)

Maintenant que vous avez déterminé que le modèle TM_Decision_Tree est le plus précis, vous devez l'évaluer dans le contexte de la campagne du publipostage ciblé Adventure Works Cycles. Le service marketing souhaite savoir s'il y a une différence entre les caractéristiques des acheteurs de vélo pour homme et les acheteurs de vélo pour femme. Ces informations les aideront à décider quels magazines utiliser pour la publicité et quels produits présenter dans leurs publipostages.

Dans cette leçon, nous allons créer un modèle filtré sur le sexe. Vous pouvez effectuer ensuite aisément une copie de ce modèle et ne modifier que la condition de filtre pour générer un nouveau modèle fondé sur un autre sexe.

Pour plus d'informations sur les filtres, consultez Création de filtres pour les modèles d'exploration de données (Analysis Services - Exploration de données).

Utilisation de filtres

Le filtrage vous permet de créer facilement des modèles basés sur des sous-ensembles de vos données. Le filtre est appliqué uniquement au modèle et ne modifie pas la source de données sous-jacente. Pour des informations sur l'application de filtres aux tables imbriquées, consultez Didacticiel sur l'exploration de données intermédiaire (Analysis Services - Exploration de données).

Filtres sur les tables de cas

Vous allez d'abord effectuer une copie du modèle TM_Decision_Tree.

Pour copier le modèle d'arbre de décision

  1. Dans Business Intelligence Development Studio, sélectionnez ASDataMining2008 dans l'Explorateur de solutions.

  2. Cliquez sur l'onglet Modèles d'exploration de données.

  3. Cliquez avec le bouton droit sur le modèle TM_Decision_Tree et sélectionnez Nouveau modèle d'exploration de données.

  4. Dans le champ Nom du modèle, tapez TM_Decision_Tree_Male.

  5. Cliquez sur OK.

Ensuite, créez un filtre pour sélectionner des clients pour le modèle en fonction de leur sexe.

Pour créer un filtre de cas sur un modèle d'exploration de données

  1. Cliquez avec le bouton droit sur le modèle d'exploration de données TM_Decision_Tree_Male pour ouvrir le menu contextuel.

    -- ou --

    Sélectionnez le modèle. Dans le menu Modèle d'exploration de données, sélectionnez Définir le filtre de modèle.

  2. Dans la boîte de dialogue Filtre de modèle, cliquez sur la ligne supérieure dans la grille, dans la zone de texte Colonne de la structure d'exploration de données.

    La liste déroulante affiche uniquement les noms des colonnes dans cette table.

  3. Dans la zone de texte Colonne de la structure d'exploration de données, sélectionnez Sexe.

    L'icône située à gauche de la zone de texte change pour indiquer que l'élément sélectionné est une table ou une colonne.

  4. Cliquez sur la zone de texte Opérateur et sélectionnez l'opérateur égal à (=) dans la liste.

  5. Cliquez sur la zone de texte Valeur et tapez M.

  6. Cliquez sur la ligne suivante dans la grille.

  7. Cliquez sur OK pour fermer le filtre de modèle.

    Le filtre s'affiche dans la fenêtre Propriétés. Vous pouvez aussi lancer la boîte de dialogue Filtre du modèle de la fenêtre Propriétés.

  8. Répétez les étapes ci-dessus, mais cette fois nommez le modèle TM_Decision_Tree_Female et tapez F dans la zone de texte Valeur.

Vous avez maintenant deux nouveaux modèles affichés sous l'onglet Modèles d'exploration de données.

Traiter les modèles filtrés

Les modèles ne peuvent pas être utilisés tant qu'ils n'ont pas été déployés et traités. Pour plus d'informations sur le traitement des modèles, consultez Traitement de modèles dans la structure de publipostage ciblé (Didacticiel sur l'exploration de données de base).

Pour traiter le modèle filtré

  1. Cliquez avec le bouton droit sur le modèle TM_Decision_Tree_Male et sélectionnez Traiter l'exploration de données et tous les modèles.

  2. Cliquez sur Exécuter pour traiter les nouveaux modèles.

  3. À l'issue du traitement, cliquez sur Fermer dans les deux fenêtres de traitement.

Évaluer les résultats

Consultez les résultats et déterminez l'exactitude des modèles filtrés de la même manière que vous l'avez fait pour les trois modèles précédents. Pour plus d'informations, consultez :

Exploration du modèle Decision Tree (Didacticiel sur l'exploration de données de base)

Test de la précision à l'aide de graphiques de courbes d'élévation (Didacticiel sur l'exploration de données de base)

Pour explorer les modèles filtrés

  1. Sélectionnez l'onglet Visionneuse de modèle d'exploration de données dans le Concepteur d'exploration de données.

  2. Dans la zone Modèle d'exploration de données, sélectionnez TM_Decision_Tree_Male.

  3. Positionnez le curseur Afficher le niveau sur la valeur 3.

  4. Affectez au paramètre Arrière-plan la valeur 1.

  5. Placez votre curseur sur le nœud intitulé Tout pour consulter le nombre d'acheteurs de vélo par rapport aux non-acheteurs de vélo.

  6. Répétez les étapes 1 - 5 pour TM_Decision_Tree_Female.

  7. Explorez les résultats pour TM_Decision_Tree et les modèles filtrés par sexe. Comparé à tous les acheteurs de vélo, les acheteurs de vélo homme et femme partagent certaines caractéristiques identiques avec les acheteurs de vélo non filtrés, mais tous les trois présentent aussi des différences significatives. Ce sont des informations utiles que Adventure Works Cycles peut utiliser pour développer sa campagne de marketing.

Pour tester la finesse des modèles filtrés

  1. Basculez sous l'onglet Graphique d'analyse de précision de l'exploration de données dans le Concepteur d'exploration de données dans Business Intelligence Development Studio et sélectionnez l'onglet Sélection d'entrée.

  2. Dans la zone de groupe Sélectionner le jeu de données à utiliser pour le graphique d'analyse de précision, sélectionnez Utiliser des scénarios de test de structure d'exploration de données.

  3. Sous l'onglet Sélection d'entrée du Concepteur d'exploration de données, sous Sélectionnez les colonnes prévisibles du modèle d'exploration de données à afficher dans le graphique de courbes d'élévation, activez la case à cocher Synchroniser les colonnes de prédiction et les valeurs.

  4. Dans la colonne Nom de la colonne prévisible, vérifiez que Bike Buyer est sélectionné pour chaque modèle.

  5. Dans la colonne Afficher, sélectionnez chacun des modèles.

  6. Dans la colonne Prédire la valeur, sélectionnez 1.

  7. Sélectionnez l'onglet Graphique de courbes d'élévation pour afficher le graphique de courbes d'élévation.

    Vous remarquerez maintenant que les trois modèles d'arbre de décision fournissent une finesse importante à partir du modèle d'estimation aléatoire et devancent les modèles de Clustering et Naive-Bayes.