MSSQLServer2005ImplementandoDataMining

MANUAL DE IMPLEMENTACION DE UNA SOLUCION DE DATA MINING CON MS SQL SERVER

Ing. Ricardo Mendoza Rivera rimenri@hotmail.com. http://rimenri.blogspot.com

MCP.Ing.RicardoMendozaRivera

Page1

MSSQLServer2005ImplementandoDataMining

MCP.Ing.RicardoMendozaRivera

Page2

MSSQLServer2005ImplementandoDataMining

TABLA DE CONTENIDO

Sesin 1 2 3 4 5 6 7 8 9 10 11

Tema Introduccion al Data Mining Data Mining en SQL Server Recuperando Datos Uniendo Mltiples Tablas Sumarizando Datos Implementando Integridad de Datos Modificando Datos Implementando Vistas Implementado Triggers Implementando Stored Procedures y Funciones Implementando Cdigo Administrado

MCP.Ing.RicardoMendozaRivera

Page3

MSSQLServer2005ImplementandoDataMining

Captulo 01

Introduccin al Data Mining

MCP.Ing.RicardoMendozaRivera

Page4

MSSQLServer2005ImplementandoDataMining

Captulo 1 Introduccin al Data Mining

Esta sesin incluye los conceptos iniciales del Data Mining y un resumen metodolgico de cmo desarrollarlo. Asi mismo conocer las distintas estructuras y aplicacin que pueden darse.

PlanificacindelaClase
Al finalizar este captulo, el participante aprender a: Describir Microsoft SQL Server. Describir como SQL Server toma ventajas de la Plataforma Windows Determinar los requerimientos mnimos de Hardware en SQL Server 2000 de acuerdo a cada Sistema Operativo. Determinar las opciones de instalacin apropiadas Configurar el SQL Server Enterprise Manager para trabajar con un servidor y otros servidores.

Panorama Actual
"Segmentamos a nuestros clientes usando Data Mining..", "Data Mining incrementa la satisfaccin de nuestros clientes..", "Nuestros competidores estn usando DM para incrementar su cuota de mercado, necesitamos levantarnos! ..". Son algunos de los comentarios en las organizaciones que se pueden percibir. Pero que es el Data Mining? Como esta tecnologa puede resolver los problemas diarios de las organizaciones? Cul es el ciclo de vida de un DM?

Qu es Data Mining?
Data Mining constituye un miembro clave del Business Intelligence (BI) y permite analizar datos, hallando patrones escondidos, de manera automtica o semi-automatica. En lo que va del tiempo muchas empresas han acumulado una gran cantidad de datos en sus bases de datos, el resultado de esta coleccin de datos es que las organizaciones tienen datos ricos pero pobre conocimiento. El propsito principal del DM es extraer de los datos patrones, incrementar su valor intrnseco y transformar la data en conocimiento. Imagine los datos de una tabla relacional, como se muestran en la fig. 1 conteniendo informacin de clientes.

MCP.Ing.RicardoMendozaRivera

Page5

MSSQLServer2005ImplementandoDataMining

Tenebrosa
Nombre Alex Espejo Scrates B. Rossy Vsquez Alejo Pereda Camila Rojas Kathy Len
...

Edad <=30 <=30 >40 >40

...

Ingresos Bajo Bajo Medio Medio

...

Tipo Empleo Independiente Dependiente Dependiente Dependiente Independiente Independiente

Nivel Deuda Alto Alto Alto Bajo Bajo Bajo

...

Riesgo Crdito Malo Malo Malo Bueno Malo Bueno Bueno

31...40 Alto

31...40 Alto

Dependiente

Fig.1TabladeClientes
Una de las metas a encontrar podra ser: A qu cliente o grupo de clientes le puedo dar un prstamo con un nivel de riesgo Bueno? Podramos escribir una consulta para buscar cuantos con tipo de Empleo dependiente hay y cuantos no. El impacto de la edad seria otra variable a tener en cuenta o tal vez en funcin a su nivel de ingresos o deuda que tena y seguramente tendramos que escribir miles de consultas cuando queramos combinarlas algunas o todas a la vez, imagine si existiera mas columnas a usar y algunas columnas sean valores numricos como los ingresos mensuales de un cliente. En contraste el DM hace un acercamiento ms simple ha esta pregunta. Todo lo que tiene que hacer es seleccionar el Algoritmo correcto de DM y especificar el uso las columnas a usar, el significado de las columnas de entrada y las columnas predictivas. En el caso anterior las columnas: edad, ingresos, tipo de empleo, nivel de deuda serian las de entrada. La columna Riesgo Crdito seria la columna predictiva. Un modelo de decisin de rbol podra ayudarnos a responder esa preguntar, El algoritmo revisa la data y analiza el impacto de cada atributo ingresado

MCP.Ing.RicardoMendozaRivera

Page6

MSSQLServer2005ImplementandoDataMining

rbolesdeDecisin(DecisionTrees)
All Riesgo Crdito = bueno: 3 Riesgo Crdito = malo: 4

Nivel Deuda = Bajo Riesgo Crdito = bueno: 3 Riesgo Crdito = malo: 1

Nivel Deuda = Alto Riesgo Crdito = bueno: 0 Riesgo Crdito = malo: 3

Tipo Empleo = Independ. Riesgo Crdito = bueno: 1 Riesgo Crdito = malo: 1

Tipo Empleo = Depend. Riesgo Crdito = bueno: 2 Riesgo Crdito = malo: 0

Volvamos a la pregunta original A qu cliente o grupo de clientes le puedo dar un prstamo con un nivel de riesgo Bueno? Se imagina llegar a la respuesta de: los clientes con tipo de empleado Dependiente que tengan un nivel de deuda bajo y que tengan ms de 40 aos son los que representan menos riesgo de deuda. El DM proporciona un enorme valor a las organizaciones. En estos tiempos el DM puede implementarse con ms transparencia:

Gran cantidad de data disponible: las organizaciones llegaron a implementar sistemas transaccionales (ventas, almacenes, produccin, personal, contabilidad, etc) y estos en el tiempo han ido almacenando informacin aunado a la baja de los costos de almacenamiento han acumulado grandes volmenes de datos. Alto nivel de competencia: la competencia actualmente es alta como resultado de marketing moderno y canales de distribucin como internet y comunicaciones, as como la participacin de corporaciones nacionales y extranjeras en el mercado. En este 2008 en nuestra ciudad Trujillo estamos siendo testigos de la aparicin de 2 malls con una infraestructura bastante atractiva para los clientes, por mencionar un ejemplo de competencia. Tecnologa Lista: el DM anteriormente era mayormente una solucin de laboratorio, ahora ya es una tecnologa madura y est lista para ser aplicada en las organizaciones. Los algoritmos y el equipamiento existente son ms eficientes para trabajar con data complicada si fuera el caso. Las API del DM estn estandarizndose cada vez mas amplitud y esto permite a los desarrolladores construir aplicaciones

Realidad! Hace poco conversaba con un Gerente de una empresa comercializadora, de gran presencia en el mercado regional y me comentaba entre otras cosas que, sino contara con un sistema de informacin, no
MCP.Ing.RicardoMendozaRivera Page7

MSSQLServer2005ImplementandoDataMining
podra estar competido con estas corporaciones cuenta con gran cantidad de datos y competencia de primera- y que justo haba invertido en un servidor con una configuracin de primera Tecnologa Lista - . Piense la ventaja de conocer la informacin que descubrira un DM Imagine una organizacin de retails en donde identifique los grupos de clientes que adquieren ciertos grupos de productos. En un casino de juegos las personas mayores de 55 de gnero femenino que permanecen 20 minutos jugando prefieren ciertos juegos rentables. Conocer que clientes son los que continuamente cambian de operador. En algunos pases la inversin de un operador telefnica por cliente representa un promedio de 200 dlares, de ah la importancia de retenerlo Conocer el perfil de los clientes que constantemente realizan reclamos en una empresa de servicios. Tener la posibilidad de plantear un conjunto de promociones a un determinado grupo de clientes. Disminuir el riesgo de proporcionar un prstamo a un solicitante en una entidad financiera.

Qu datos usa Data Mining?

Si su organizacin cuenta con un Data WareHouse o Data Mart, que es donde mayormente se aplica DM, donde la data ya se encuentra limpia. En pequeas organizaciones es posible que no exista un Data Warehouse por lo que se podra minar directamente en las tablas transaccionales. En este sentido se recomienda tener una BD a parte con los datos necesarios y validados. Tambin es posible aplicarlo directamente en un Cubo OLAP, que como vimos en captulos posteriores es una BD Multidimensional compuesta por Medidas y Dimensiones. En general el DM busca descubrir y evaluar patrones y tendencias con miras a presentar un nuevo conocimiento de la organizacin.

MCP.Ing.RicardoMendozaRivera

Page8

MSSQLServer2005ImplementandoDataMining

Evaluacin de Patrones, Tendencias

Presentacin de conocimiento

Data Mining

OLTP

DATA WAREHOUS

OLAP

Que Datos usa DataMining

Ciclo de un Proyecto en DM
Seguramente se estarn preguntando cuales son los pasos para construir un proyecto de DM, tomaremos la propuesta de CRISP-DM (www.crisp-dm.org), aqu van!

Fases del modelo de referencia CRISP-DM 1.0

Comprensin del negocio (Business Understanding)

Est enfocada en la comprensin de los objetivos del proyecto y exigencias desde una perspectiva de negocio, luego convirtiendo este conocimiento de los

MCP.Ing.RicardoMendozaRivera

Page9

MSSQLServer2005ImplementandoDataMining
datos en la definicin de un problema de minera de datos y en un plan preliminar diseado para alcanzar los objetivos.

Comprensin de los datos (Data Understanding)

El entendimiento de datos comienza con la coleccin de datos inicial y contina con las actividades que le permiten familiarizar primero con los datos, identificar los problemas de calidad de datos, descubrir los primeros conocimientos en los datos, y/o descubrir subconjuntos interesantes para formar hiptesis en cuanto a la informacin oculta.

Preparacin de datos (Data Preparation)

Esta fase cubre todas las actividades necesarias para construir el conjunto de datos final -los datos que sern provistos en las herramientas de modelado- de los datos en brutos iniciales. Las tareas de preparacin de datos probablemente van a ser realizadas muchas veces y no en cualquier orden prescripto. Las tareas incluyen la seleccin de tablas, registros, y atributos, as como la transformacin y la limpieza de datos para las herramientas que modelan. Normalmente las tareas de ETL de una Data WareHouse podran servir para tener una data consistente.

Modelado (Modeling)

En esta fase, varias tcnicas de modelado son seleccionadas y aplicadas, y sus parmetros son calibrados a valores ptimos. Tpicamente hay varias tcnicas para el mismo tipo de problema de minera de datos. Algunas tcnicas tienen requerimientos especficos sobre la forma de datos. Por lo tanto, volver a la fase de preparacin de datos es a menudo necesario.

Evaluacin (Evaluation)

En esta etapa en el proyecto, usted ha construido un modelo (o modelos) que parece tener la alta calidad de una perspectiva de anlisis de datos.

Antes del proceder al despliegue final del modelo, es importante evaluar a fondo ello y la revisin de los pasos ejecutados para crearlo, para comparar el modelo correctamente obtenido con los objetivos de negocio. Un objetivo clave es determinar si hay alguna cuestin importante de negocio que no ha sido suficientemente considerada. En el final de esta fase, una decisin en el uso de los resultados de minera de datos debera ser obtenida.

Implementar (Deployment)
MCP.Ing.RicardoMendozaRivera Page10

MSSQLServer2005ImplementandoDataMining

La creacin del modelo no es generalmente el final del proyecto. Incluso si el objetivo del modelo es de aumentar el conocimiento de los datos, el conocimiento ganado tendr que ser organizado y presentado en el modo en el que el cliente pueda usarlo. Ello a menudo implica la aplicacin de modelos "vivos" dentro de un proceso de toma de decisiones de una organizacin, por ejemplo, en tiempo real la personalizacin de pgina Web o la repetida obtencin de bases de datos de mercadeo. Dependiendo de los requerimientos, la fase de desarrollo puede ser tan simple como la generacin de un informe o tan compleja como la realizacin repetida de un proceso cruzado de minera de datos a travs de la empresa. En muchos casos, es el cliente, no el analista de datos, quien lleva el paso de desarrollo. Sin embargo, incluso si el analista realizara el esfuerzo de despliegue, esto es importante para el cliente para entender de frente que acciones necesita para ser ejecutadas en orden para hacer uso de los modelos creados actualmente.

MCP.Ing.RicardoMendozaRivera

Page11

MSSQLServer2005ImplementandoDataMining

Captulo 02

Data Mining con SQL Server

MCP.Ing.RicardoMendozaRivera

Page12

MSSQLServer2005ImplementandoDataMining

Captulo 1 Data Mining con SQL Server

Esta sesin incluye los conceptos de Data Mining asociados al SQL Server, los diferentes modelos que soporta y los pasos recomendados para su implementacin.

PlanificacindelaClase
Al finalizar este captulo, el participante aprender a: Describir los modelos de Data Mining Modelos Soportados en Microsoft SQL Server.

Tareas y Algoritmos
La magia que genera el Data Mining se origina a partir de 3 campos: Modelos Estadsticos (Aquellos diseados para hallar correlacin de datos como : Naive Bayes y Clustering Maquina de Aprendizaje (Diseados para hallar campos arboles de decisin y redes neuronales) Teora de Base de Datos (procesar largos volmenes de datos) DM puede ser aplicado en diferentes tareas, las mas populares son: asociacin, clasificacin, segmentacin, regresin y pronostico. Para estas tareas se usa el OLE DB para DM (OLEDB/DM).

Algoritmos Tarea Clasificacin Segmentacin Asociacin Regresin Pronstico

Arboles De Decisin X

(Segmentacin)

Clustering

Asociacin

Naive Bayes X

Sequence Clustering X X

Redes Neuronales X X

Series de Tiempo

X X

X X X

X X X Tabla 2.1 Tareas y Algoritmos

Estructuras en Data Mining

Podriamos describir de una manera simple que DM es una coleccin de columnas de tablas y algoritmos de minado que actan sobre los datos contenidos en esas columnas para analizarlos y ejecutar predicciones usando diferentes algoritmos. MCP.Ing.RicardoMendozaRivera Page13

MSSQLServer2005ImplementandoDataMining
Existen ciertas tareas que pueden ser desarrolladas usando los mismos datos con diferentes algoritmos.

Contenido de una Columna: Valores Discretos y Valores Continuos

Es necesario de definir el contenido de una columna mediante la propiedad Content. Los valores mas comunes son Discreto y Continuo. Un ejemplo de un valor Discreto lo constituye el genero de un cliente, ya que contiene pocos valores distintos como son: Masculino y Femenino. UN ejemplo de valor Continuo podra ser el Nivel de Ingresos de un cliente ya que este datos podra contener valores arbitrarios. Hay que tener en cuenta que algunos algoritmos no soportan los dos tipos de valores.

Diseando el Proceso de Data Mining en SQL Server

Los pasos descritos a continuacin se han tomado como base de la propuesta de CRISP-DM adaptados al SQL Server. El cual presentamos a continuacin:

Paso1:DefinirelDominiodeMinado
Iniciar su proyecto de DM obteniendo los requerimientos del negocio, apuntando a tener un objetivo claro de lo que se desea realizar, podemos mencionar: Pronsticos de ventas? Personalizacin de clientes? Anlisis de ventas? Ejemplo: Ejecutar un anlisis de DM para identificar clientes que demandan determinados productos basado en su ubicacin geogrfica para una campana publicitaria va email Una vez definido el objetivo determinar la disponibilidad de la data en estudio que soportarax el modelo. Para ello puede formularse las siguientes preguntas: Que datos de entrada se necesitan? Ejemplo: Genero, ingresos, edad del cliente Page14

MCP.Ing.RicardoMendozaRivera

MSSQLServer2005ImplementandoDataMining
Donde se encuentra la data necesaria? Como puede ser extrada? Recuerde que dentro de los Servicios de Analisis se puede incluir orgenes de BD relacionales o de un cubo UDM.

Paso2:PrepararData
Es posible que la data no se encuentre directamente disponible y requiera del proceso de ETL y cargar la data en el formato deseado. Si este fuera el escenario considere a Integration Services El resultado de este proceso es un esquema de datos relacin o un UDM del cubo. Deber estar seguro de la semntica (significado) de cada columna y su propsito en el negocio. Mientras ms conozca sus datos ms efectiva ser la prediccin.

Paso3:ConstruirelEsquemadeDatos
Es necesario construir un Vista de la Conexin al margen que provengan los datos de una BD Relacional o de un UDM. El resultado final de este paso es la definicin de la estructura del DM la que servir de fundamento para el modelo de DM a implementar.

Paso4:ConstruirunModelo
Empezar por la tabla 2.1 para identificar uno o mas algoritmos que pueden ser usados para ejecutar la tarea de DM. Luego usar el Diseador BI Studio Data MIning para implementar el modelo. Por ejemplo si desea promocionar productos por email el escenario corresponde a la tarea de Clasificacin y el algoritmo a implementar es Arboles de Decisin, Clustering, Sequence Clustering, Naive Bayes y Redes Neuronales. Se recomienda probar con ms de uno y determinar el algoritmo que ms se adapta.

Paso5:ExplorarelModelo
Una vez que el modelo es construido y entrenado, se encuentra listo para se explorado y analizado a fin de obtener los resultados predictivos deseados. Los Servicios de Anlisis proporcionan resultados grficos y de diferentes vistas como podr a apreciar.

Paso6:ValidarModelo
Deber validar la exactitud del modelo que ha construido. Esto es especialmente importante probar con ms de un algoritmo la tarea elegida. Se recomienda trabajar con una data pequea como muestra y evaluar.

Paso7:ImplementarModelo
Una vez ejecutado el paso anterior ahora necesita configurar e implementar el modelo en su servidor de produccin. Deber de configurar accesos a las cuentas del Windows. Una vez implementado el sistema se pueden usar una serie de alternativas para generar reportes para usuarios finales.

CASO DE ESTUDIO.
Imagine que est introduciendo un nuevo producto y el area de Marketing se encuentra planificando una campana para el lanzamiento. Se puede deducir que estas campaas son MCP.Ing.RicardoMendozaRivera Page15

MSSQLServer2005ImplementandoDataMining
costosas ya que se necesita disear, imprimir y entregar correspondencia a sus clientes. Realizar publicidad por TV o Radio es normalmente mas costoso. El aplicar DM podra permitir identificar grupos de clientes y direccionar el marketing, por ejemplo a pblico adulto.

Paso1:DefiniendoelDominiodeMinado
LA empresa en estudio administra alrededor de 15,000 clientes y se debe identificar que grupos de clientes podran demandar este nuevo producto. El dominio del DM a resolver es el ejemplo clsico de una tarea de clasificacin. De acuerdo a la tabla 7.2 existen varios algoritmos, elegiremos un mnimo de dos para identificar el ms apropiado.

Paso2:PrepararData
Nuestro enfoque principal es una Tarea de Campaa orientada al cliente, por lo que necesitaremos los datos de la tabla cliente.

Lastimosamente no existen reglas para determinar que columnas son las que deben participar, pero una buena forma es crear una vista de la conexin (DSV) con los potenciales datos involucrados y usar las opciones de Pivoteo del Analysis Services

Recuerde que el objetivo es identificar clientes potenciales que adquirieron algun producto de MCP.Ing.RicardoMendozaRivera Page16

MSSQLServer2005ImplementandoDataMining
la categora a la que pertenece el producto a ofertar. Para ello usaremos estadsticas de ventas efectuadas.

Paso3:ConstruyendoelEsquemadeDatos
A continuacin presentamos los datos a partir de los cuales se construirn los modelos indicado:

SELECT C.CustomerKey, C.FirstName + ' ' + ISNULL(C.MiddleName + '. ', '') + C.LastName AS FullName, C.MaritalStatus, C.Gender, C.YearlyIncome, C.TotalChildren, C.EnglishEducation, C.NumberCarsOwned, C.CommuteDistance, C.EnglishOccupation, C.HouseOwnerFlag, DATEDIFF(yy, C.BirthDate, GETDATE()) AS Age, CustomerFilter.Subcategory AS ProductCategory FROM DimCustomer AS C INNER JOIN (SELECT C.CustomerKey, PS.EnglishProductSubcategoryName AS Subcategory FROM DimCustomer AS C INNER JOIN FactInternetSales AS S ON C.CustomerKey = S.CustomerKey INNER JOIN DimProduct AS P ON S.ProductKey = P.ProductKey INNER JOIN DimProductSubcategory AS PS ON P.ProductSubcategoryKey = PS.ProductSubcategoryKey WHERE (PS.ProductCategoryKey = 1) GROUP BY C.CustomerKey, PS.EnglishProductSubcategoryName HAVING (COUNT(PS.ProductSubcategoryKey) = 1)) AS CustomerFilter ON C.CustomerKey = CustomerFilter.CustomerKey

Paso4:ConstruyendoelModelo
Empecemos con la construccin del Modelo: Clic derecho sobre : Estructuras de Mineria de Datos

Clic sgte En esta interfaz

MCP.Ing.RicardoMendozaRivera

Page17

MSSQLServer2005ImplementandoDataMining

Clic en siguiente ya que nuestra informacin se leer directamente desde una tabla relacional. Tcnica de Minera de Datos a aplicar:

Como estamos analizando una Campana de Promocion de un Producto elegiremos una tarea de Clasificacion con el Algoritmo de Microsoft Decision Tree. Vista de origen de datos: seleccione Bike Buyers

MCP.Ing.RicardoMendozaRivera

Page18

MSSQLServer2005ImplementandoDataMining

Clic Siguiente El tipo de Tabla a seleccionar es :Escenario

b Clic next Especificar los datos de entrenamiento: es el momento de definir los datos de entrada y la columna predictiva, recuerde que necesitamos predecir que grupos de clientes adquiriran el producto promocionado. Seleccionar CategoriaProducto como columna Entrada y Columna Predictiva.

MCP.Ing.RicardoMendozaRivera

Page19

MSSQLServer2005ImplementandoDataMining

Luego proceda a marcar las entradas manualmente, pero podra pulsar el botn Sugerir.

Seleccione de acuerdo a la propuesta:

MCP.Ing.RicardoMendozaRivera

Page20

MSSQLServer2005ImplementandoDataMining

Especificar el contenido y tipo de columnas

Clic Siguiente Paso Final

MCP.Ing.RicardoMendozaRivera

Page21

MSSQLServer2005ImplementandoDataMining

Finalizar!

ConociendoelDataMiningDesigner

Imagine que se quiera tener unicidad en el conjunto de datos de cliente obtenido, donde es posible que un cliente pueda poseer mas de 1 producto. Incluiremos a la clave la categora del producto de la siguiente forma: Seleccin: CustomerKey En propiedades, elija la propiedad: KeyColumns y clic en el botn Agregar la columna: productCategory para crear una llave compuesta por: CustomerKey y ProductCategory Imagine que desea ver el Nombre del cliente en vez de su cdigo. En la propiedad: NameColumn elija: FullName

MCP.Ing.RicardoMendozaRivera

Page22

MSSQLServer2005ImplementandoDataMining

Fig 10. Modificando la Key

Fig 11. Enlazando un

VisualizandoelModelodeMineradeDatos

MCP.Ing.RicardoMendozaRivera

Page23

MSSQLServer2005ImplementandoDataMining

AgregandounNuevoModelodeDM(NaiveBayes)
Haga clic derecho: Nuevo Modelo , digite y elija:

Si apareciera algn mensaje es porque Naive Bayes solo trabaja con valores discretos.

CreandoValoresDiscretos
En el caso de la edad , Nivel de Ingresos es posible que se desee trabajar como valor discreto ya que para el anlisis el nivel de ingresos podra influir en la compra del producto ofertado. Proceder de esta forma o Volver a la ficha: Estructura de DM o Ubicarse sobre la lista de campos, clic derecho : Agregar una nueva columna. Seleccione: Yearly Income Renombre la columna : YearlyIncome 1 como : YearlyIncome Discreto, y click en Yes Cambie la propiedad content a: Discretized Cambie la propiedad: DiscretizationMetohd: Automatic . Luego de ello el servidor agrupar estos cambios en 5 categorias.

Vaya a la ficha Modelos de Mineria y cambie : YearlyIncome Discreto a: Input.

MCP.Ing.RicardoMendozaRivera

Page24

MSSQLServer2005ImplementandoDataMining

ImplementandoelModelo
Clic en el botn Procesar de la barra de herramientas

Paso5:ExplorandoelModelo
Haga clic en la ficha: Visor de Modelos de Minera

Interpretando los resultados Como se puede apreciar tenemos una sola variable predictiva la cual constituye la raz del grafico. Por defecto el visor muestra todas las categoras de productos. MCP.Ing.RicardoMendozaRivera Page25

MSSQLServer2005ImplementandoDataMining
Comprendiendo el Grafico de Arboles de Decisin El modelo ha determinado que la variable mas significativa son los Ingresos Anuales (Yearly Income). Mientras ms oscuro sea el recuadro implica que la mayora de casos sucede en el mismo. Comprendiendo la Dependencia de Redes

Interpretando Naive Bayes

MCP.Ing.RicardoMendozaRivera

Page26

MSSQLServer2005ImplementandoDataMining

Paso6:ValidandoelModelo
Esto lo haremos en la ficha: Grafico de Precisin de Minera de Datos, para evaluar siga los siguientes pasos:

Especificando las columnas a mapear Clic en Grafico de Precision de Mineria de Datos Clic en: Seleccionar Tabla de Escenarios y seleccione de la tabla de clientes

MCP.Ing.RicardoMendozaRivera

Page27

MSSQLServer2005ImplementandoDataMining

Se produce el mapeo automticamente.

Mapear el YearlyIncome Discreto con YearlyIncome

Obteniendo los resultados a predecir Clic en Prediccin de Modelos de DM

Clic en Seleccionar Modelo y elija:

MCP.Ing.RicardoMendozaRivera

Page28

MSSQLServer2005ImplementandoDataMining

Seleccione Tabla Escenarios y elija Customers

Seleccione las columnas que desea ver como parte de la prediccin o CustomerKey hacia el panel inferior:

o o

Luego Full Name Incluir la funcin de Prediccion Page29

MCP.Ing.RicardoMendozaRivera

MSSQLServer2005ImplementandoDataMining
o Incluir funcin personalizada de acuerdo a lo siguiente

ViendoResultadosapredecir
Estos son los clientes q

MCP.Ing.RicardoMendozaRivera

Page30