DBMS_DATA_MINING
パッケージは、データ・マイニング・モデルを作成、評価および問い合せるためのアプリケーション・プログラミング・インタフェースです。
関連項目:
|
この章では、次の項目について説明します。
概要
セキュリティ・モデル
マイニング機能
モデル設定
データ・タイプ
この項では、DBMS_DATA_MINING
パッケージの使用に関連する項目について説明します。
Oracle Data Miningでは、監視ありデータ・マイニングと監視なしデータ・マイニングの両方がサポートされています。監視ありデータ・マイニングでは、履歴データに基づいてターゲット値が予測されます。監視なしデータ・マイニングでは、自然なグループが検出され、ターゲットは使用されません。Oracle Data Miningを使用すると、構造化データおよび非構造化テキストをマイニングできます。
監視ありデータ・マイニングには、次の機能があります。
分類
回帰
特徴選択(属性評価)
監視なしデータ・マイニングには、次の機能があります。
クラスタリング
相関
特徴抽出
異常検出
マイニング・モデルを作成して適用する手順は、使用するデータ・マイニング機能およびアルゴリズムによって異なります。表45-1に、Oracle Data Miningでサポートされているアルゴリズムを示します。
表45-1 Oracle Data Miningのアルゴリズム
アルゴリズム | 略称 | ファンクション |
---|---|---|
Apriori |
AP |
|
ディシジョン・ツリー |
DT |
分類 |
期待値の最大化 |
EM |
クラスタリング |
一般化線形モデル |
GLM |
|
k-Means |
KM |
|
最小記述長 |
MDL |
|
Naive Bayes |
NB |
|
Non-Negative Matrix Factorization |
NMF |
|
直交パーティショニング・クラスタリング |
O-Cluster |
|
特異値分解および主成分分析 |
SVDおよびPCA |
特徴抽出 |
サポート・ベクター・マシン |
SVM |
Oracle Data Miningでは、分類、回帰、クラスタリングおよび特徴抽出のマイニング機能に対して2つ以上のアルゴリズムがサポートされています。これらの各マイニング機能には、表45-2に示されているデフォルト・アルゴリズムがあります。
DBMS_DATA_MINING
パッケージは、ユーザーSYS
によって所有され、データベース・インストールの一環としてインストールされます。このパッケージの実行権限は、PUBLICに付与されます。このパッケージ内のルーチンは、実行者権限(現行のユーザーの権限)を使用して実行されます。
DBMS_DATA_MINING
パッケージは、Advanced Analytics OptionのOracle Data Miningコンポーネントに使用されるAPIを公開します。独自のスキーマにマイニング・モデルを作成するユーザーは、CREATE TABLE
およびCREATE VIEW
システム権限に加え、CREATE MINING MODEL
システム権限も必要です。他のスキーマにマイニング・モデルを作成するユーザーは、対応する表およびビューの作成権限に加え、CREATE ANY MINING MODEL
システム権限も必要です。
ユーザーは、独自のスキーマ内に存在するモデルの管理を完全に制御できます。他のスキーマ内のデータ・マイニング・モデルを管理するために必要な追加のシステム権限には、ALTER ANY MINING MODEL
、DROP ANY MINING MODEL
、SELECT ANY MINING MODEL
、COMMENT ANY MINING MODEL
およびAUDIT ANY
があります。
マイニング・モデルに対する個別のオブジェクト権限であるALTER MINING MODEL
およびSELET MINING MODEL
を使用して、モデルに対する権限を異なるユーザーに選択的に付与できます。
関連項目: Oracle Data Miningのセキュリティ機能の詳細は、Oracle Data Miningユーザーズ・ガイドを参照してください。 |
データ・マイニング機能は、データ・マイニングに関する特定の種類の問題を解決するための方法です。マイニング機能は、モデルの作成時に指定する必要があります。(「CREATE_MODELプロシージャ」を参照)
表45-3 マイニング機能
値 | 説明 |
---|---|
|
相関は、記述マイニング機能の一種です。相関モデルによって、データ・セット内に存在する関係とその発生確率が識別されます。 相関モデルでは、Aprioriアルゴリズムが使用されます。 |
|
属性評価は、予測マイニング機能の一種で、特徴選択とも呼ばれます。属性評価モデルによって、特定の結果を予測する際の、属性の相対的な重要度が識別されます。 属性評価モデルでは、最小記述長が使用されます。 |
|
分類は、予測マイニング機能の一種です。分類モデルでは、履歴データを使用して、質的ターゲットが予測されます。 分類モデルでは、Naive Bayes、ディシジョン・ツリー、ロジスティック回帰またはサポート・ベクター・マシンを使用できます。デフォルトはNaive Bayesです。 分類機能は、異常検出にも使用できます。この場合は、NULLターゲットを含むSVMアルゴリズムが使用されます(1クラスSVM)。 |
|
クラスタリングは、記述マイニング機能の一種です。クラスタリング・モデルによって、データ・セット内の自然なグループが識別されます。 クラスタリング・モデルでは、k-Means、O-Clusterまたは期待値の最大化を使用できます。デフォルトはk-Meansです。 |
|
特徴抽出は、記述マイニング機能の一種です。特徴抽出モデルによって、モデルのベースとなる最適なデータ・セットが作成されます。 特徴抽出モデルでは、Non-negative Matrix Factorization、特異値分解または主成分分析が使用できます。デフォルトはNon-Negative Matrix Factorizationです。 |
|
回帰は、予測マイニング機能の一種です。回帰モデルでは、履歴データを使用して、量的ターゲットが予測されます。 回帰モデルでは、サポート・ベクター・マシンまたは線形回帰を使用できます。デフォルトはサポート・ベクター・マシンです。 |
関連項目: マイニング機能の詳細は、『Oracle Data Mining概要』を参照してください。 |
Oracle Data Miningは、設定を使用してアルゴリズムおよびモデルに関するその他の特性を指定します。設定には、一般的な設定と、マイニング機能およびアルゴリズムに固有の設定があります。
すべての設定にはデフォルト値があります。モデルの1つ以上の設定を上書きするには、設定表を作成する必要があります。設定表には、表45-4で示す列名およびデータ・タイプを含める必要があります。
設定表に指定する情報は、モデルの作成時に使用されます。設定表の名前は、CREATE_MODELプロシージャのオプションの引数です。
データ・ディクショナリ・ビューALL_MINING_MODEL_SETTINGS
を問い合せると、モデルで使用される設定を検索できます。このビューでは、アクセス権限を持つマイニング・モデルで使用されるモデル設定が表示されます。デフォルトまたはユーザー指定かに関係なく、ビューにはすべての設定値が含まれます。
関連項目:
|
ALGO_NAME
設定では、モデルのアルゴリズムが指定されます。表45-5
に、ALGO_NAME設定の値を示します。
表45-5 アルゴリズム名
ALGO_NAME値 | 説明 | マイニング機能 |
---|---|---|
|
最小記述長 |
属性評価 |
|
Apriori |
相関ルール |
|
ディシジョン・ツリー |
分類 |
|
期待値の最大化 |
クラスタリング |
|
一般化線形モデル |
分類、回帰および特徴選択と特徴抽出 |
|
拡張k_Means |
クラスタリング |
|
Naive Bayes |
分類 |
|
Non-Negative Matrix Factorization |
特徴抽出 |
|
O-Cluster |
クラスタリング |
|
特異値分解 |
特徴抽出 |
|
サポート・ベクター・マシン |
分類と回帰 |
関連項目: アルゴリズムの詳細は、『Oracle Data Mining概要』を参照してください。 |
PREP_AUTO
設定は、モデルが自動データ準備(ADP)を使用するかどうかを指定します。デフォルトでは、ADPは無効です。
ADPを有効にすると、モデルでは、経験則を使用し、アルゴリズムの要件に応じて作成データを変換します。変換命令は、モデルに格納され、モデルが適用されるたびに再利用されます。変換命令は、モデルのディテールで表示できます(DBMS_DATA_MINING.GET_MODEL_DETAILS_*
ファンクション)。
モデルの作成時にxform_list
パラメータに追加の変換を指定することによって、自動データ準備を補うことができます。(「CREATE_MODELプロシージャ」を参照)
ADPを使用せず(デフォルト)、CREATE_MODEL
へのxform_list
パラメータに変換を指定しない(デフォルト)場合、ビルド・データ、テスト・データおよびスコアリング・データに個別に自分の変換を実装する必要があります。各データ・セットに同じ変換を実装する場合は特に注意してください。
ADPを使用せず、CREATE_MODELへのxform_list
パラメータに変換を指定する場合
は、Oracle Data Miningでは、モデルに変換定義が埋め込まれ、作成データと一致するようにテスト・データおよびスコアリング・データが準備されます。
表45-6
に、PREP_AUTO設定の値を示します。
関連項目: データ変換の詳細は、Oracle Data Miningユーザーズ・ガイドを参照してください。 |
表45-7に示されている設定がマイニング機能に適用されます。
表45-7 マイニング機能の設定
マイニング機能 | 設定名 | 設定値 | 説明 |
---|---|---|---|
相関 |
|
|
相関ルールの最大ルール長。 デフォルトは4です。 |
相関 |
|
|
相関ルールの最小信頼度。 デフォルトは0.1です。 |
相関 |
|
|
相関ルールの最小支持度。 デフォルトは0.1です。 |
分類 |
|
table_name |
(ディシジョン・ツリーのみ)モデル作成のアルゴリズムに使用されるコスト・マトリックスを格納する表の名前。コスト・マトリックスは、分類ミスに関連するコストを指定します。 作成時には、ディシジョン・ツリー・モデルのみがコスト・マトリックスを使用できます。適用時には、すべての分類アルゴリズムがコスト・マトリックスを使用できます。 コスト・マトリックス表は、ユーザーが作成します。列の要件については、「ADD_COST_MATRIXプロシージャ」を参照してください。 コストの詳細は、『Oracle Data Mining概要』を参照してください。 |
分類 |
|
table_name |
(Naive Bayes)作成データとスコアリング・データの分布の差を埋めるために、事前確率を格納する表の名前。 事前確率表は、ユーザーが作成します。列の要件の詳細は、Oracle Data Miningユーザーズ・ガイドを参照してください。事前確率の詳細は、『Oracle Data Mining概要』を参照してください。 |
分類 |
|
table_name |
(GLMおよびSVMのみ)SVM分類およびGLMロジスティック回帰モデルの、各ターゲット値に関する重み情報を格納する表の名前。アルゴリズムでは、重みを使用して、より高い重み付けのクラスを優先するようにモデルにバイアスをかけます。 クラスの重み表は、ユーザーが作成します。列の要件の詳細は、Oracle Data Miningユーザーズ・ガイドを参照してください。クラスの重みの詳細は、『Oracle Data Mining概要』を参照してください。 |
クラスタリング |
|
|
クラスタリング・アルゴリズムで生成されるリーフ・クラスタの最大数。このアルゴリズムでは、データによって、より少ない数のクラスタが返される場合があります。 通常、拡張k-Meansでは、個別のデータ・ポイントの数の方が多ければ、 期待値の最大化(EM)では、データによって、 EMでは、 |
特徴抽出 |
|
|
特徴抽出モデルで抽出される特徴の数。 アルゴリズムによって、データからデフォルトが見積もられます。 |
関連項目: マイニング機能の詳細は、『Oracle Data Mining概要』を参照してください。 |
表45-8の構成の設定はあらゆるタイプのモデルに適用できますが、現在は特定のアルゴリズムに対してのみ実装されています。
表45-8 グローバルな設定
関連項目: GLMの詳細は、『Oracle Data Mining概要』を参照してください。 相関ルールの詳細は、『Oracle Data Mining概要』を参照してください。 非構造化テキストのマイニングの詳細は、Oracle Data Miningユーザーズ・ガイドを参照してください。 |
これらの設定は、ディシジョン・ツリー・アルゴリズムの動作を構成します。
表45-9 ディシジョン・ツリーの設定
設定名 | 設定値 | 説明 |
---|---|---|
|
|
ディシジョン・ツリーのツリー不純メトリック。 ツリー・アルゴリズムでは、各ノードでのデータの分岐に最適なテスト質問が検索されます。最適な分岐および分岐値は、ノードのエンティティに対するターゲット値の同質性(純度)が最大限に高くなるものです。純度は、メトリックに従って測定します。ディシジョン・ツリーでは、純度メトリックとしてジニ( |
|
|
分岐の条件: ツリーの最大深度(ルート・ノードとリーフ・ノードとの間(リーフ・ノードを含む)の最大ノード数)。 デフォルトは7です。 |
|
|
この数値より小さいレコードを子に含めることはできません。この数値は、トレーニング行の割合で表現されます。 デフォルトは0.05で、0.05%を表します。 |
|
|
分岐の条件: 親ノードのレコードの最小数で、モデルのトレーニングに使用される総レコード数の割合で表現されます。レコード数がこの値よりも少ない場合、分岐は試行されません。 デフォルトは0.1で、0.1%を表します。 |
|
|
この数値より小さいレコードは、子に含めることができません。 デフォルトは10です。 |
|
|
分岐の条件: 値として表現される親ノードのレコードの最小数。レコード数がこの値よりも少ない場合、分岐は試行されません。 デフォルトは20です。 |
関連項目: ディシジョン・ツリーの詳細は、『Oracle Data Mining概要』を参照してください。 |
次の表に示されている設定が期待値の最大化アルゴリズムの動作を構成します。
関連項目: 期待値の最大化の詳細は、『Oracle Data Mining概要』を参照してください。 |
表45-10 データ準備と分析用の期待値の最大化設定
設定名 | 設定値 | 説明 |
---|---|---|
|
|
モデルに相関していない属性を含めるかどうかの指定。 注意: この設定は、ネストしていない属性にのみ適用されます。 デフォルトは、システムによって決定されます。 |
|
|
モデルに含める相関属性の最大数。 注意: この設定は、ネストしていない属性(2D)にのみ適用されます。 デフォルトは50です。 |
|
|
量的属性をモデリングする分布。入力表または入力ビューの全体に適用され、属性ごとの指定は許可されません。 オプションには、ベルヌーイ分布、ガウス分布またはシステム決定の分布が含まれます。ベルヌーイ分布やガウス分布を選択した場合、すべての量的属性が同じタイプの分布を使用してモデリングされます。システム決定の分布の場合は、個々の属性で、データに応じて異なる分布(ベルヌーイ分布またはガウス分布)を使用することができます。 デフォルトは |
|
|
量的列のクラスタ統計を収集するために使用される等幅ビンの数。 デフォルトは11です。 |
|
|
ネストした各列で使用される予測の数を指定します。指定した数の予測よりも列の個別属性の数が少ない場合、データの予測は行われません。この設定は、すべてのネストしている列に適用されます。 デフォルトは50です。 |
|
|
複数値のベルヌーイ分布において、量的列のモデリングに使用されるクオンタイル・ビンの数を指定します。 デフォルトは、システムによって決定されます。 |
|
|
複数値のベルヌーイ分布において、質的列のモデリングに使用される上位Nビンの数を指定します。 デフォルトは、システムによって決定されます。 |
表45-11 学習用の期待値の最大化設定
設定名 | 設定値 | 説明 |
---|---|---|
|
|
EMの収束基準。収束基準は、取り分けておいたデータ・セットやベイズ情報量基準に基づいている場合があります。 デフォルトは、システムによって決定されます。 |
|
|
収束基準が取り分けておいたデータ・セットに基づいている場合( デフォルト値は0.001です。 |
|
|
モデル内のコンポーネントの最大数。アルゴリズムによってコンポーネントの数(尤度関数の改善度または正則化に基づいた指定された最大数まで)が自動的に決定されます。 コンポーネントの数は、クラスタの数以上である必要があります。 デフォルトは20です。 |
|
|
EMアルゴリズムにおける最大反復数を指定します。 デフォルトは100です。 |
表45-12 コンポーネント・クラスタリング用の期待値の最大化設定
設定名 | 設定値 | 説明 |
---|---|---|
|
|
EMコンポーネントの上位レベルのクラスタへのグループ化を有効または無効にします。無効にすると、コンポーネント自体がクラスタとして扱われます。 コンポーネント・クラスタリングを有効にすると、SQL デフォルトは |
|
|
EMコンポーネントのクラスタリングを制御する相違点のしきい値。相違点メジャーがしきい値よりも少ない場合、複数のコンポーネントは1つのクラスタに結合されます。 しきい値が低いと、よりコンパクトな多くのクラスタが作成されます。しきい値が高いと、より広く散らばった少数のクラスタが作成されます。 デフォルトは2です。 |
|
|
凝集クラスタリング・ステップにおけるリンケージ機能の指定を許可します。
デフォルトは |
表45-13 クラスタ統計用の期待値の最大化設定
設定名 | 設定値 | 説明 |
---|---|---|
|
|
クラスタ(セントロイド、ヒストグラムおよびルール)の記述統計の収集を有効または無効にします。統計を無効にすると、モデルのサイズが縮小され、 デフォルトは |
|
|
クラスタ・ルールに属性を含めるときに必要とされる最小限のサポート。このサポートでは、クラスタに割り当てられたデータ行のうち、属性がnull以外の値である必要があるものの割合を示します。 デフォルトは0.1です。 |
表45-14 GLMの設定
設定名 | 設定値 | 説明 |
---|---|---|
|
|
信頼区間の信頼水準。 デフォルトの信頼水準は0.95です。 |
|
table_name |
GLMに関する行レベルの診断情報を含む表の名前。この表は、モデルの作成中に作成されます。指定する表の名前を既存の表の名前にすることはできません。 診断表を使用する場合は、そのモデルのケースIDを指定する必要があります。(CREATE_MODELプロシージャを参照してください。)診断表名を指定し、モデルのケースIDを指定しない場合は、例外が発生します。 GLM診断の詳細は、『Oracle Data Mining概要』を参照してください。 |
|
|
特徴許容について、厳格なアプローチと柔軟なアプローチのどちらを取るかを示します。厳格なアプローチでは、誤った特徴の抽出を防げますが、特に少量のデータ・サンプルにおいて真の特徴のいくつかを見落としてしまう可能性があります。柔軟なアプローチでは、真の特徴が見落とされることはないかもしれませんが、誤った特徴も含めてしまう可能性があります。 特徴の選択または生成を有効にすると、アルゴリズムでは、特徴許容の厳格なアプローチまたは柔軟なアプローチがデータに基づいて自動的に選択されます。 |
|
|
特徴生成が二次式または三次式のどちらであるかを示します。 特徴の生成を有効にすると、アルゴリズムでは、最適な特徴生成方式がデータに基づいて自動的に選択されます。 |
|
|
GLMに対して特徴生成を有効にするかどうかの指定。デフォルトでは、特徴生成は無効です。 注意: 特徴生成は、特徴選択が有効な場合にのみ有効です。 |
|
|
GLMがモデルの機能を特定するために内部サンプリングを使用するかどうか。サンプリングを使用すると、GLMは削減された行セットで処理を行うので、モデルの機能の特定が速くなります。GLMがデータ・セットのすべての行を処理すると、機能の特定処理に長時間かかることがあります。 デフォルトでは、GLMは、サンプリングを行うかどうかを選択し、トレーニング・データ(行数と属性を含む)の特性に基づいてサンプル・サイズを特定します。 |
|
|
モデルに特徴を追加する際の、特徴選択のペナルティ基準。 特徴選択を有効にすると、アルゴリズムでは、ペナルティ基準がデータに基づいて自動的に選択されます。 |
|
|
GLMに対して特徴選択を有効にするかどうかの指定。 デフォルトでは、特徴選択は無効です。 |
|
|
特徴選択を有効にすると、この設定では、最終モデルで選択可能な特徴の最大数が指定されます。 デフォルトでは、十分なメモリーを確保するために、アルゴリズムによって特徴の数が制限されます。 |
|
|
最終モデルの特徴をプルーニングするかどうかの指定。プルーニングは、線形回帰ではt統計に、ロジスティック回帰ではwald統計に基づいて行われます。すべての特徴が全データに対して統計的な意味付けを持つまで、これらの特徴はループ処理でプルーニングされます。 特徴選択を有効にすると、アルゴリズムでは、プルーニングを実行するかどうかがデータに基づいて自動的に決定されます。 |
|
target_value |
バイナリ・ロジスティック回帰モデルで参照クラスとして使用されるターゲット値。その他のクラスに対しては確率が生成されます。 デフォルトでは、参照クラスの場合、最も普及率の高い値(ほとんどのケース)がアルゴリズムによって選択されます。 |
|
|
リッジ回帰を使用するかどうかの指定。リッジは、回帰と分類の両方のマイニング機能に適用されます。 リッジを有効にすると、 デフォルトでは、リッジを使用するかどうかはアルゴリズムによって決定されます。 注意: リッジは、特徴選択が指定されていない場合または明示的に無効にされている場合にのみ有効です。リッジ回帰と特徴選択を両方とも明示的に有効にすると、例外が発生します。 |
|
|
リッジ・パラメータ値。この設定は、アルゴリズムでリッジ回帰の使用が構成されている場合にのみ使用されます。 リッジ回帰がアルゴリズムによって内部的に有効になっている場合、リッジ・パラメータはアルゴリズムによって決定されます。 |
|
|
質的属性の全グループ値をモデルに一度に追加するか、それとも一度に1つずつ追加するかを示します。質的属性は、バイナリ(展開された)属性の集合として表されます。 特徴選択を有効にすると、アルゴリズムでは、展開された質的値を一度に追加するか、それとも一度に1つずつ追加するかが自動的に決定されます。 |
|
|
(線形回帰のみ)リッジが使用されたときにVariance Inflation Factor(VIF)統計を作成するかどうかの指定。 VIF統計は、リッジ回帰を明示的に有効にした場合( デフォルトでは、リッジを有効にするとVIFは生成されません。 |
関連項目: GLMの詳細は、『Oracle Data Mining概要』を参照してください。 |
これらの設定は、k-Meansアルゴリズムの動作を構成します。
表45-15 k-Meansの設定
設定名 | 設定値 | 説明 |
---|---|---|
|
|
クラスタ・データを保持するために割り当てられるメモリーの増加因数。 デフォルトのブロック増加因数は2です。 |
|
|
k-Meansの最小収束許容差。最小収束許容値を満たすか、 収束許容値が減少すると、ソリューションはより正確になりますが、実行時間が長くなることがあります。 デフォルトの収束許容差は、0.01です。 |
|
|
k-Meansの距離関数。 デフォルトの距離関数はユークリッドです。 |
|
|
k-Meansの最大反復数。最大反復数に到達するか、 デフォルトの反復回数は3です。 |
|
|
クラスタのルール記述にその属性を含めるために必要な、非NULL値でなければならない属性値の最小パーセント。 データがまばらであったり多くの欠損値を含んでいる場合、最小支持度が高すぎると非常に短いルールまたは空のルールになる可能性があります。 デフォルトの最小支持度は、0.1です。 |
|
|
k-Meansで生成される属性ヒストグラムでのビンの数。各属性のビンの境界は、トレーニング・データ・セット全体でグローバルに計算されます。ビニングの方法は等幅です。すべての属性でビンの数は同じですが、単一の値を持つ属性では、ビンは1つのみです。 デフォルトのヒストグラム・ビン数は10です。 |
|
|
k-Meansの分割基準。分割基準は、新しいk-Meansクラスタの初期化を制御します。アルゴリズムがバイナリ・ツリーを作成し、同時に新しいクラスタを1つ追加します。 分割基準がサイズに基づいている場合、新しいクラスタは現在最も大きなクラスタのある領域に置かれます。分割基準が分散値に基づいている場合、新しいクラスタは最も拡大されたクラスタの領域に置かれます。 デフォルトの分割基準は分散値です。 |
関連項目: k-Meansの詳細は、『Oracle Data Mining概要』を参照してください。 |
これらの設定は、Naive Bayesアルゴリズムの動作を構成します。
表45-16 Naive Bayesの設定
設定名 | 設定値 | 説明 |
---|---|---|
|
|
NBアルゴリズムでの組しきい値。 デフォルトは0.01です。 |
|
|
NBアルゴリズムでの単一しきい値。 デフォルトは0.01です。 |
関連項目: Naive Bayesの詳細は、『Oracle Data Mining概要』を参照してください。 |
これらの設定は、Non-Negative Matrix Factorizationの動作を構成します。
データ・ディクショナリ・ビュー*_MINING_MODEL_SETTINGS
(接頭辞ALL
、USER
またはDBA
を使用)を問い合せると、モデルの設定値を確認できます。*_MINING_MODEL_SETTINGSの詳細は、『Oracle Databaseリファレンス』を参照してください。
表45-17 NMFの設定
設定名 | 設定値 | 説明 |
---|---|---|
|
|
NMFアルゴリズムでの収束許容値。 デフォルトは0.05です。 |
|
|
スコアリング結果で負数を許可するかどうか。 デフォルトは |
|
|
NMFアルゴリズムの反復回数。 デフォルトは50です。 |
|
|
NMFアルゴリズムのランダム・シード。 デフォルトは–1です。 |
関連項目: NMFの詳細は、『Oracle Data Mining概要』を参照してください。 |
これらの設定は、O-Clusterアルゴリズムの動作を構成します。
表45-18 O-CLusterの設定
設定名 | 設定値 | 説明 |
---|---|---|
|
|
O-Clusterのバッファ・サイズ。 デフォルトは50,000です。 |
|
|
新しいクラスタを分割するために必要な最大密度を指定する割合。この割合は、全体の均一密度と関連しています。 デフォルトは0.5です。 |
関連項目: O-Clusterの詳細は、『Oracle Data Mining概要』を参照してください。 |
次の定数は、特異値分解アルゴリズムの動作に影響を与えます。
これらの設定は、特異値分解アルゴリズムの動作を構成します。
表45-20 特異値分解設定
設定名 | 設定値 | 説明 |
---|---|---|
|
|
SVDによって作成されたUマトリックスを永続化するかどうかの指定。 SVDのUマトリックスには、ビルド・データの行と同数の行があります。大規模なモデルの作成を回避するため、Uマトリックスは、
デフォルトは |
|
|
モデルでSVDスコアリングとPCAスコアリングのどちらを使用するかの指定。 ビルド・データがSVDでスコアリングされた場合、Uマトリックスと同じ予測になります。ビルド・データがPCAでスコアリングされた場合、UマトリックスとSマトリックスの積が予測になります。 デフォルトは |
関連項目: 『Oracle Data Mining概要』 |
これらの設定は、サポート・ベクター・マシン・アルゴリズムの動作を構成します。
表45-21 SVMの設定
設定名 | 設定値 | 説明 |
---|---|---|
|
|
能動学習を有効にするか無効にするかの設定。デフォルトでは、能動学習は有効になっています。 能動学習を有効にすると、SVMアルゴリズムでは能動学習を使用して、サイズが縮小されたモデルが作成されます。能動学習を無効にすると、SVMアルゴリズムでは標準モデルが作成されます。 |
|
|
SVMアルゴリズム(分類と回帰の両方)の複雑度の値。 デフォルト値は、アルゴリズムによってデータから概算されます。 |
|
|
SVMアルゴリズムでの収束許容値。 デフォルトは0.001です。 |
|
|
SVM回帰のイプシロン係数の値。 デフォルト値は、アルゴリズムによってデータから概算されます。 |
|
|
SVMアルゴリズムのカーネル・キャッシュ・サイズの値。ガウス・カーネルにのみ適用されます。 デフォルトは50000000バイトです。 |
|
|
サポート・ベクター・マシンのカーネル。デフォルトは、トレーニング・データでの属性の数に基づいて、アルゴリズムによって決定されます。多数の属性がある場合はアルゴリズムでは線形カーネルが使用されますが、そうでない場合は、非線形(ガウス)カーネルが使用されます。 属性の数は、トレーニング・データの列の数とは一致しません。アルゴリズムによって、質的属性が2項の量的属性に展開されます。また、Oracle Data Miningでは、ネストした列の各行が別々の属性として処理されます。SVMでは、カーネル機能の選択時にこれらの要素が考慮されます。 |
|
|
トレーニング・データでの目標となる外れ値率。1クラスSVMモデル(異常検出)に対してのみ有効です。 デフォルトは1です。 |
|
|
SVMアルゴリズムの標準偏差の値。 これは、ガウス・カーネルにのみ適用されます。 デフォルト値は、アルゴリズムによってデータから概算されます。 |
関連項目: SVMの詳細は、『Oracle Data Mining概要』を参照してください。 |
DBMS_DATA_MINING
パッケージでは、モデル属性に関する情報を格納するためにオブジェクト・データ・タイプが定義されます。これらのタイプの大部分は、テーブル・ファンクションGET
_n
によって戻され、n
は戻す情報のタイプを表します。これらのファンクションは、モデル名を入力に使用し、要求された情報を行のコレクションとして戻します。GET
ファンクションのリストは、「DBMS_DATA_MININGサブプログラムの要約」を参照してください。
DBMS_DATA_MINING
パッケージでは、トランザクション・データをマイニングするためのオブジェクト・データ・タイプも定義されています。これらのタイプはDM_NESTED_
n
と呼ばれており、ここでn
はネストした属性のOracleデータ・タイプを識別します。ネストしたデータのマイニングの詳細は、Oracle Data Miningユーザーズ・ガイドを参照してください。
すべてのテーブル・ファンクションでパイプライン出力が使用され、出力の各行がモデルの記憶域から読み取られながら実体化されるため、表オブジェクトが完全に生成されるまで待機する必要がありません。パイプライン・テーブル・ファンクションの詳細は、『Oracle Database PL/SQL言語リファレンス』を参照してください。
表45-22に、データ・マイニングのオブジェクト・データ・タイプを示します。
表45-22 DBMS_DATA_MININGのデータ・タイプの要約
データ・タイプ | 説明 |
---|---|
|
クラスタの重心。 |
|
|
|
クラスタの子ノード。 |
|
|
|
クラスタ。クラスタには、 |
|
|
|
Naive Bayesモデルの属性の条件付き確率。 |
|
|
|
コスト・マトリックスの実際の値および予測値。 |
|
|
|
期待値最大化モデルのコンポーネント。 |
|
|
|
期待値最大化モデルのプロジェクト。 |
|
|
|
一般化線形モデルの属性の係数および関連付けられている統計。 |
|
|
|
クラスタに関連付けられたヒストグラム。 |
|
|
|
相関ルールの項目。 |
|
|
|
|
|
|
|
モデルに関する高水準の統計。 |
|
|
|
Naive Bayesモデルの属性に関する情報。 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Non-negative Matrix Factorizationモデルの機能の属性。 |
|
|
|
Non-negative Matrix Factorizationモデルの機能。 |
|
|
|
ルールの前件と後件。 |
|
|
|
属性評価モデルで重要度別にランク付けされた属性。 |
|
|
|
条件付きの関係を定義するルール。 このルールには、GET_ASSOCIATION_RULESファンクションによって戻される相関ルールのいずれか、またはGET_MODEL_DETAILS_KMファンクションおよびGET_MODEL_DETAILS_OCファンクションによって戻されるクラスタのコレクションでクラスタに関連付けられたルールを指定できます。 |
|
|
|
特異値分解モデルによって戻されるマトリックス因数分解S、VまたはU。 |
|
|
|
サポート・ベクター・マシン・モデルの属性の名前、値および係数。 |
|
|
|
サポート・ベクター・マシン・モデルの各属性の線形係数。 |
|
|
|
属性の変換式および逆変換式。 |
|
|
|
モデルのユーザー定義変換のリスト。パラメータとしてCREATE_MODELプロシージャで使用されます。 このコレクション・タイプは、DBMS_DATA_MINING_TRANSFORMパッケージで定義されます。 |
表45-23に、DBMS_DATA_MINING
パッケージに含まれているサブプログラムの要約を示します。
表45-23 DBMS_DATA_MININGパッケージのサブプログラム
サブプログラム | 用途 |
---|---|
|
分類モデルにコスト・マトリックスを追加します。 |
ALTER_REVERSE_EXPRESSIONプロシージャ |
逆変換式を指定した式に変更します。 |
データ・セットにモデルを適用します(データのスコアリングを行います)。 |
|
分類モデルのコンフュージョン・マトリックスを計算します。 |
|
|
分類モデルのリフトを計算します。 |
分類モデルの受信者操作特性(ROC)を計算します。 |
|
モデルを作成します。 |
|
|
モデルを削除します。 |
|
モデルをダンプ・ファイルにエクスポートします。 |
相関モデルからルール集合を戻します。 |
|
相関モデルの高頻度項目セットを戻します。 |
|
|
モデルのコスト・マトリックスを戻します。 |
|
属性評価モデルに関するディテールを戻します。 |
|
期待値の最大化モデルに関するディテールを戻します。 |
GET_MODEL_DETAILS_EM_COMPファンクション |
期待値の最大化モデルのパラメータに関するディテールを戻します。 |
GET_MODEL_DETAILS_EM_PROJファンクション |
期待値の最大化モデルのプロジェクトに関するディテールを戻します。 |
|
一般化線形モデルに関するディテールを戻します。 |
GET_MODEL_DETAILS_GLOBALファンクション |
モデルに関する高水準の統計を戻します。 |
|
k-Meansモデルに関するディテールを戻します。 |
Naive Bayesモデルに関するディテールを戻します。 |
|
|
Non-Negative Matrix Factorizationモデルに関するディテールを戻します。 |
O-Clusterモデルに関するディテールを戻します。 |
|
|
特異値分解モデルに関するディテールを戻します。 |
線形カーネルを使用するサポート・ベクター・マシン・モデルに関するディテールを戻します。 |
|
ディシジョン・ツリー・モデルに関するディテールを戻します。 |
|
GET_MODEL_TRANSFORMATIONSファンクション |
モデルに埋め込まれた変換を戻します。 |
|
2つの異なる変換仕様形式との間を変換します。 |
モデルをユーザー・スキーマにインポートします。 |
|
|
分類モデルに対する |
|
モデルからコスト・マトリックスを削除します。 |
モデルの名前を変更します。 |
このプロシージャは、コスト・マトリックス表を分類モデルに関連付けます。コスト・マトリックスでは、コストまたは利益を特定のモデル結果に割り当てることによって、そのモデルにバイアスをかけます。
コスト・マトリックスはモデルとともに格納され、モデルのスコアリング時に考慮されます。格納されるコスト・マトリックスは、モデルのデフォルトのスコアリング・マトリックスです。
また、スコアリングのためにData Mining SQLファンクションを起動したときに、コスト・マトリックスをインラインに指定できます。インラインのコスト・マトリックスを指定すると、デフォルトのかわりに、格納されたコスト・マトリックスが使用されます(存在する場合)。
モデルのデフォルト・スコアリング・マトリックスを取得するには、GET_MODEL_COST_MATRIX
ファンクションを使用します。モデルからデフォルト・スコアリング・マトリックスを削除するには、REMOVE_COST_MATRIX
プロシージャを使用します。「GET_MODEL_COST_MATRIXファンクション」および「REMOVE_COST_MATRIXプロシージャ」を参照してください。
関連項目:
|
構文
DBMS_DATA_MINING.ADD_COST_MATRIX ( model_name IN VARCHAR2, cost_matrix_table_name IN VARCHAR2, cost_matrix_schema_name IN VARCHAR2 DEFAULT NULL);
パラメータ
表45-24 ADD_COST_MATRIXプロシージャのパラメータ
パラメータ | 説明 |
---|---|
|
[schema_name.]model_nameの形式のモデル名。スキーマを指定しない場合は、ユーザー独自のスキーマが使用されます。 |
|
コスト・マトリックス表の名前(表45-25を参照)。 |
|
コスト・マトリックス表のスキーマ。スキーマが指定されない場合は、現行のスキーマが使用されます。 |
使用上の注意
モデルがスキーマにない場合、ADD_COST_MATRIX
では、ALTER ANY MINING MODEL
システム権限またはそのマイニング・モデルに対するALTER
オブジェクト権限が必要です。
コスト・マトリックス表には、表45-25に示す列が必要です。
表45-25 コスト・マトリックス表に必要な列
列名 | データ・タイプ |
---|---|
|
有効なターゲット・データ型 |
|
有効なターゲット・データ型 |
|
|
関連項目: 有効なターゲット・データ・タイプについては、Oracle Data Miningユーザーズ・ガイドを参照してください。 |
実際のターゲット値と予測されるターゲット値のタイプは、モデル・ターゲットのタイプと同じである必要があります。たとえば、モデルのターゲットがBINARY_DOUBLE
の場合、実際の値と予測される値はBINARY_DOUBLE
である必要があります。実際の値と予測される値がCHAR
またはVARCHAR
の場合、ADD_COST_MATRIX
によって、VARCHAR2
として内部的に処理されます。
タイプが一致しない場合、または実際の値や予測された値が有効なターゲット値ではない場合、ADD_COST_MATRIX
プロシージャでエラーが発生します。
注意: ターゲットに逆変換が関連付けられている場合は、実際の値や予測された値と、逆変換の適用後のターゲットとの整合性が保持されている必要があります。詳細は、「逆変換とモデルの透過性」を参照してください。 |
利益は負のコストとして表示できるため、コスト・マトリックス表のCOST
列に負の数値を指定すると、特定の結果に利益を指定できます。
すべての分類アルゴリズムで、スコアリングのためにコスト・マトリックスを使用できます。ディシジョン・ツリー・アルゴリズムでは、作成時にコスト・マトリックスを使用することもできます。コスト・マトリックスを使用してディシジョン・ツリー・モデルを作成する場合、モデルの設定表のCLAS_COST_TABLE_NAME
設定にコスト・マトリックス表の名前を指定します。表45-7「マイニング機能の設定」を参照してください。
ディシジョン・ツリー・モデルを作成する場合に使用するコスト・マトリックスは、そのモデルに対するデフォルトのスコアリング・マトリックスになります。スコアリング用に異なるコストを指定する場合は、REMOVE_COST_MATRIX
プロシージャを使用してコスト・マトリックスを削除し、ADD_COST_MATRIX
プロシージャを使用して新規コスト・マトリックスを追加します。
例
この例では、COSTS_NB
というコスト・マトリックス表を作成し、NB_SH_CLAS_SAMPLE
というNaive Bayesモデルに追加します。このモデルにはバイナリ・ターゲットがあり、1は顧客がプロモーションに応答することを表し、0は顧客が応答しないことを表します。コスト・マトリックスは、応答しない顧客の分類ミスに0.25のコストを割り当て、応答する顧客の分類ミスに0.75のコストを割り当てます。これは、応答しない顧客の分類ミスよりも、応答する顧客の分類ミスの方が3倍コストがかかることを意味します。
CREATE TABLE costs_nb ( actual_target_value NUMBER, predicted_target_value NUMBER, cost NUMBER); INSERT INTO costs_nb values (0, 0, 0); INSERT INTO costs_nb values (0, 1, .25); INSERT INTO costs_nb values (1, 0, .75); INSERT INTO costs_nb values (1, 1, 0); COMMIT; EXEC dbms_data_mining.add_cost_matrix('nb_sh_clas_sample', 'costs_nb'); SELECT cust_gender, COUNT(*) AS cnt, ROUND(AVG(age)) AS avg_age FROM mining_data_apply_v WHERE PREDICTION(nb_sh_clas_sample COST MODEL USING cust_marital_status, education, household_size) = 1 GROUP BY cust_gender ORDER BY cust_gender; C CNT AVG_AGE - ---------- ---------- F 72 39 M 555 44
このプロシージャは、逆変換式を指定した式に置換します。属性に反転式が含まれない場合、このプロシージャは指定した式から反転式を作成します。
このプロシージャを使用して、クラスタリング、特徴抽出および異常検出の各モデルの出力をカスタマイズすることもできます。
構文
DBMS_DATA_MINING.ALTER_REVERSE_EXPRESSION ( model_name VARCHAR2, expression CLOB, attribute_name VARCHAR2 DEFAULT NULL, attribute_subname VARCHAR2 DEFAULT NULL);
使用上の注意
Oracle Data Miningでは、モデルの透過性を目的として、モデルに埋め込まれた変換に対して逆変換が提供されます。逆変換は、モデル詳細(GET_MODEL_DETAILS_
*ファンクション)に戻される属性、および述語モデルのスコアリング・ターゲットに適用されます。
コスト・マトリックスを持つモデルのターゲットに対する逆変換を変更する場合は、コスト・マトリックス内の実際の値および予測値と同じタイプの変換式を指定する必要があります。また、指定する逆変換の結果は、コスト・マトリックスに存在する値であることが必要です。
属性の逆変換が行われないようにするために、expression
にNULL
を指定できます。
逆変換式には、有効なOracleデータ・タイプを戻すPL/SQLファンクションの参照を含めることができます。たとえば、'Low'、'Medium'、および'High'の値を持つblood_pressure
という名前の質的属性に対して、次のようなファンクションを定義できます。
CREATE OR REPLACE FUNCTION numx(c char) RETURN NUMBER IS BEGIN CASE c WHEN ''Low'' THEN RETURN 1; WHEN ''Medium'' THEN RETURN 2; WHEN ''High'' THEN RETURN 3; ELSE RETURN null; END CASE; END numx;
その後、次のようにblood_pressure
に対してALTER_REVERSE_EXPRESION
を呼び出すことができます。
EXEC dbms_data_mining.alter_reverse_expression( '<model_name>', 'NUMX(blood_pressure)', 'blood_pressure');
ALTER_REVERSE_EXPRESSION
を使用して、クラスタリング・モデルによって生成されたクラスタと、特徴抽出によって生成された特徴にラベルを付けることができます。
また、ALTER_REVERSE_EXPRESSION
を使用すると、異常検出モデルによって戻された0(ゼロ)および1を置き換えることができます。デフォルトでは、異常検出モデルによって、異常レコードには0のラベルが付けられ、他のすべてのレコードには1のラベルが付けられます。
関連項目: 異常検出の詳細は、『Oracle Data Mining概要』を参照してください。 |
例
この例では、モデルCLASS_MODEL
のターゲット(affinity_card
)が、内部的に1
または0
のかわりにyes
またはno
で操作されます(ただし、スコアリング時には1
および0
が戻されます)。ALTER_REVERSE_EXPRESSION
プロシージャによって、ターゲット値がTRUE
またはFALSE
として戻されます。
Oracle Data Miningのサンプル・プログラムには、データ・セットのMINING_DATA_BUILD
およびMINING_DATA_TEST
が付属しています。サンプル・プログラムについては、Oracle Data Miningユーザーズ・ガイドを参照してください。
DECLARE v_xlst dbms_data_mining_transform.TRANSFORM_LIST; BEGIN dbms_data_mining_transform.SET_TRANSFORM(v_xlst, 'affinity_card', NULL, 'decode(affinity_card, 1, ''yes'', ''no'')', 'decode(affinity_card, ''yes'', 1, 0)'); dbms_data_mining.CREATE_MODEL( model_name => 'CLASS_MODEL', mining_function => dbms_data_mining.classification, data_table_name => 'mining_data_build', case_id_column_name => 'cust_id', target_column_name => 'affinity_card', settings_table_name => NULL, data_schema_name => 'dmuser', settings_schema_name => NULL, xform_list => v_xlst ); END; / SELECT cust_income_level, occupation, PREDICTION(CLASS_MODEL USING *) predict_response FROM mining_data_test WHERE age = 60 AND cust_gender IN 'M' ORDER BY cust_income_level; CUST_INCOME_LEVEL OCCUPATION PREDICT_RESPONSE ------------------------------ --------------------- -------------------- A: Below 30,000 Transp. 1 E: 90,000 - 109,999 Transp. 1 E: 90,000 - 109,999 Sales 1 G: 130,000 - 149,999 Handler 0 G: 130,000 - 149,999 Crafts 0 H: 150,000 - 169,999 Prof. 1 J: 190,000 - 249,999 Prof. 1 J: 190,000 - 249,999 Sales 1 BEGIN dbms_data_mining.ALTER_REVERSE_EXPRESSION ( model_name => 'CLASS_MODEL', expression => 'decode(affinity_card, ''yes'', ''TRUE'', ''FALSE'')', attribute_name => 'affinity_card'); END; / column predict_response on column predict_response format a20 SELECT cust_income_level, occupation, PREDICTION(CLASS_MODEL USING *) predict_response FROM mining_data_test WHERE age = 60 AND cust_gender IN 'M' ORDER BY cust_income_level; CUST_INCOME_LEVEL OCCUPATION PREDICT_RESPONSE ------------------------------ --------------------- -------------------- A: Below 30,000 Transp. TRUE E: 90,000 - 109,999 Transp. TRUE E: 90,000 - 109,999 Sales TRUE G: 130,000 - 149,999 Handler FALSE G: 130,000 - 149,999 Crafts FALSE H: 150,000 - 169,999 Prof. TRUE J: 190,000 - 249,999 Prof. TRUE J: 190,000 - 249,999 Sales TRUE
この例では、sh_clus
モデルから生成されたクラスタにラベルを指定します。このラベルは、「クラスタ」という単語およびクラスタの内部数値識別子で構成されます。
BEGIN dbms_data_mining.ALTER_REVERSE_EXPRESSION( 'sh_clus', '''Cluster ''||value'); END; / SELECT cust_id, cluster_id(sh_clus using *) cluster_id FROM sh_aprep_num WHERE cust_id < 100011 ORDER by cust_id; CUST_ID CLUSTER_ID ------- ------------------------------------------------ 100001 Cluster 18 100002 Cluster 14 100003 Cluster 14 100004 Cluster 18 100005 Cluster 19 100006 Cluster 7 100007 Cluster 18 100008 Cluster 14 100009 Cluster 8 100010 Cluster 8
このプロシージャは、対象データにマイニング・モデルを適用し、その結果を表に保存します。適用プロセスは、スコアリングとも呼ばれます。
予測マイニング機能の適用プロセスでは、予測結果がターゲット列に生成されます。クラスタリングなどの記述マイニング機能の適用プロセスでは、各ケースにクラスタが確率付きで割り当てられます。
Oracle Data Miningでは、適用操作は、相関モデルおよび属性評価モデルには適用できません。
構文
DBMS_DATA_MINING.APPLY ( model_name IN VARCHAR2, data_table_name IN VARCHAR2, case_id_column_name IN VARCHAR2, result_table_name IN VARCHAR2, data_schema_name IN VARCHAR2 DEFAULT NULL);
使用上の注意
APPLY
に指定したデータでは、モデルの作成およびテストに使用されるデータと同じ事前処理が実行される必要があります。自動データ準備を使用する場合、アルゴリズムで必要な事前処理は、作成時と適用時の両方で、ユーザーのかわりにモデルによって処理されます。(「自動データ準備」を参照)
APPLY
では、ユーザーのスキーマに表を作成して結果を保存します。列はアルゴリズム固有です。
結果表の列は、表45-28から表45-32で説明します。結果表のケースID列名は、ユーザーが指定したケースID列名と同じ値になります。入力のケースID列のタイプは、APPLY
の出力でも維持されます。
注意: ケースID列が、APPLY で作成されるいずれの列の名前とも同じにならないことを確認してください。たとえば、分類モデルを適用した場合、スコアリング・データのケースIDは、PREDICTION とPROBABILITY のいずれにもならないようにする必要があります(表45-28を参照)。 |
出力列'PREDICTION
'、'CLUSTER_ID
'および'FEATURE_ID
'のデータ・タイプは、ユーザーがモデルに埋め込んだ反転式によって影響を受けます。ユーザーがスコアリング値のタイプを変更する反転式を指定しない場合は、そのタイプは次の表の説明に従います。詳細は、「ALTER_REVERSE_EXPRESSIONプロシージャ」を参照してください。
分類の結果表には、表45-28に示す列があります。モデルが質的ターゲットの場合、PREDICTION
列のデータ・タイプはVARCHAR2
になります。ターゲットがバイナリ・タイプの場合、PREDICTION
列もターゲットのバイナリ・タイプになります。
異常検出の結果表には、表45-29に示す列があります。
表45-29 異常検出に対するAPPLYの適用結果表
列名 | データ・タイプ |
---|---|
|
ケースIDのタイプ |
|
|
|
|
PREDICTION
列の値は、0または1のいずれかです。1の場合、ケースは標準的な例です。0の場合、ケースは外れ値です。
クラスタリングは監視なしのマイニング機能であるため、ターゲットは存在しません。APPLY
操作の結果は、単にケースに対応するクラスタ識別子と、ケースの確率のみになります。結果表には、表45-31に示す列があります。
特徴抽出も監視なしのマイニング機能であるため、ターゲットは存在しません。APPLY
操作の結果は、単にケースに対応する機能識別子と、ケースの一致率のみになります。結果表には、表45-32に示す列があります。
表45-32 特徴抽出に対するAPPLYの適用結果表
列名 | データ・タイプ |
---|---|
|
ケースIDのタイプ |
|
|
|
|
例
この例では、GLM回帰モデルGLMR_SH_REGR_SAMPLE
をMINING_DATA_APPLY_V
ビューのデータに適用します。適用結果は、REGRESSION_APPLY_RESULT
表に出力されます。
SQL> BEGIN DBMS_DATA_MINING.APPLY ( model_name => 'glmr_sh_regr_sample', data_table_name => 'mining_data_apply_v', case_id_column_name => 'cust_id', result_table_name => 'regression_apply_result'); END; / SQL> SELECT * FROM regression_apply_result WHERE cust_id > 101485; CUST_ID PREDICTION ---------- ---------- 101486 22.8048824 101487 25.0261101 101488 48.6146619 101489 51.82595 101490 22.6220714 101491 61.3856816 101492 24.1400748 101493 58.034631 101494 45.7253149 101495 26.9763318 101496 48.1433425 101497 32.0573434 101498 49.8965531 101499 56.270656 101500 21.1153047
このプロシージャは、コンフュージョン・マトリックスを計算してユーザーのスキーマにある表に格納し、モデルの精度を戻します。
コンフュージョン・マトリックスは、分類モデルに対するテスト指標値です。一連のテスト・データにおいて、モデルによって生成された予測結果が実際のターゲット値と比較されます。コンフュージョン・マトリックスには、各クラスが正しく予測された回数と、各クラスが他のクラスのいずれかになると予測された回数がリストされます。
COMPUTE_CONFUSION_MATRIX
は、次の3つの入力ストリームを受け入れます。
テスト・データに対して生成された予測結果。この情報は、次の3つの列で渡されます。
ケースID列
予測列
確率とコストのいずれかが格納されているスコアリング基準列
テスト・データの既知のターゲット値。この情報は、次の2つの列で渡されます。
ケースID列
既知のターゲット値が格納されているターゲット列
(オプション)事前定義された列を持つコスト・マトリックス表。列の要件については、「使用上の注意」を参照してください。
関連項目: コンフュージョン・マトリックスおよび分類用の他のテスト指標値の詳細は、『Oracle Data Mining概要』を参照してください。 |
構文
DBMS_DATA_MINING.COMPUTE_CONFUSION_MATRIX ( accuracy OUT NUMBER, apply_result_table_name IN VARCHAR2, target_table_name IN VARCHAR2, case_id_column_name IN VARCHAR2, target_column_name IN VARCHAR2, confusion_matrix_table_name IN VARCHAR2, score_column_name IN VARCHAR2 DEFAULT 'PREDICTION', score_criterion_column_name IN VARCHAR2 DEFAULT 'PROBABILITY', cost_matrix_table_name IN VARCHAR2 DEFAULT NULL, apply_result_schema_name IN VARCHAR2 DEFAULT NULL, target_schema_name IN VARCHAR2 DEFAULT NULL, cost_matrix_schema_name IN VARCHAR2 DEFAULT NULL, score_criterion_type IN VARCHAR2 DEFAULT 'PROBABILITY');
パラメータ
表45-33 COMPUTE_CONFUSION_MATRIXプロシージャのパラメータ
パラメータ | 説明 |
---|---|
|
予測の全体的な精度(パーセント)が含まれる出力パラメータ。 |
|
予測結果が含まれる表。 |
|
テスト・データの既知のターゲット値が含まれる表。 |
|
適用結果表のケースID列。ターゲット表のケースIDと一致する必要があります。 |
|
ターゲット表のターゲット列。テスト・データの既知のターゲット値が格納されます。 |
|
コンフュージョン・マトリックスが含まれる表。この表は、このプロシージャによってユーザーのスキーマ内に作成されます。 コンフュージョン・マトリックス表の列については、「使用上の注意」を参照してください。 |
|
適用結果表の予測結果が格納される列。 デフォルトの列名は |
|
適用結果表のスコアリング基準値が格納される列。予測を決定する確率またはコストが格納されます。 デフォルトでは、スコアリングは確率に基づくため、各ケースに対して最も確率の高いクラスが予測されます。スコアリングがコストに基づく場合は、最もコストの低いクラスが予測されます。
デフォルトの列名は' 詳細は、「使用上の注意」を参照してください。 |
|
(オプション)分類ミスに関連付けられたコストを定義する表。コスト・マトリックス表があり、 コスト・マトリックス表の列については、「使用上の注意」を参照してください。 |
|
適用結果表のスキーマ。 NULLの場合、ユーザーのスキーマと想定されます。 |
|
既知のターゲットが含まれている表のスキーマ。 NULLの場合、ユーザーのスキーマと想定されます。 |
|
コスト・マトリックス表のスキーマ(指定されている場合)。 NULLの場合、ユーザーのスキーマと想定されます。 |
|
スコアリング基準として確率またはコストのいずれを使用するか。確率またはコストは、
「使用上の注意」および「例」を参照してください。 |
使用上の注意
COMPUTE_CONFUSION_MATRIX
に渡す予測情報は、SQLファンクションPREDICTION
、DBMS_DATA_MINING.APPLY
プロシージャまたはその他のメカニズムを使用して生成できます。プロシージャは、渡すデータが適切な場合にかぎり、コンフュージョン・マトリックスを計算できます。
COMPUTE_CONFUSION_MATRIX
にコスト・マトリックスを渡すかわりに、モデルに関連付けられているスコアリング・コスト・マトリックスを使用できます。スコアリング・コスト・マトリックスは、モデルに埋め込むか、またはモデルの適用時に動的に定義できます。スコアリング・コスト・マトリックスを使用するには、SQLファンクションPREDICTION_COST
を起動して、スコア基準列を移入します。
COMPUTE_CONFUSION_MATRIX
に渡す予測情報は、apply_result_table_name
で指定した表またはビューに格納されます。
CREATE TABLEapply_result_table_name
AS (case_id_column_name
VARCHAR2, score_column_name VARCHAR2,score_criterion_column_name
VARCHAR2);
コスト・マトリックスには、表45-34に示す列が必要です。
表45-34 コスト・マトリックスの列
列名 | データ・タイプ |
---|---|
|
作成データのターゲット列のタイプ |
|
テスト・データの予測ターゲットのタイプ。予測されるターゲットのタイプは、予測されるターゲットに関連した逆変換が存在しない限り、実際のターゲットのタイプと同じであることが必要です。 |
|
|
関連項目: 有効なターゲット・データ・タイプについては、Oracle Data Miningユーザーズ・ガイドを参照してください。 コスト・マトリックスの詳細は、『Oracle Data Mining概要』を参照してください。 |
COMPUTE_CONFUSION_MATRIX
で作成されるコンフュージョン・マトリックスには、表45-35に示す列があります。
表45-35 コンフュージョン・マトリックスの列
列名 | データ・タイプ |
---|---|
|
作成データのターゲット列のタイプ |
|
テスト・データの予測ターゲットのタイプ。予測されるターゲットのタイプは、予測されるターゲットに関連した逆変換が存在しない限り、実際のターゲットのタイプと同じです。 |
|
|
関連項目: コンフュージョン・マトリックスの詳細は、『Oracle Data Mining概要』を参照してください。 |
例
ここに示す例では、Naive Bayesモデルnb_sh_clas_sample
が使用されています。このモデルは、Oracle Data Miningのサンプル・プログラムによって作成されます。
確率に基づくコンフュージョン・マトリックスの計算
次の文は、テスト・データにモデルを適用し、予測結果と確率を表に格納します。
CREATE TABLE nb_apply_results AS SELECT cust_id, PREDICTION(nb_sh_clas_sample USING *) prediction, PREDICTION_PROBABILITY(nb_sh_clas_sample USING *) probability FROM mining_data_test_v;
スコアリング基準として確率を使用する場合は、次のようにコンフュージョン・マトリックスを計算できます。
DECLARE v_accuracy NUMBER; BEGIN DBMS_DATA_MINING.COMPUTE_CONFUSION_MATRIX ( accuracy => v_accuracy, apply_result_table_name => 'nb_apply_results', target_table_name => 'mining_data_test_v', case_id_column_name => 'cust_id', target_column_name => 'affinity_card', confusion_matrix_table_name => 'nb_confusion_matrix', score_column_name => 'PREDICTION', score_criterion_column_name => 'PROBABILITY' cost_matrix_table_name => null, apply_result_schema_name => null, target_schema_name => null, cost_matrix_schema_name => null, score_criterion_type => 'PROBABILITY'); DBMS_OUTPUT.PUT_LINE('**** MODEL ACCURACY ****: ' || ROUND(v_accuracy,4)); END; /
コンフュージョン・マトリックスとモデルの精度は、次のとおりです。
**** MODEL ACCURACY ****: .7847 SQL>SELECT * from nb_confusion_matrix; ACTUAL_TARGET_VALUE PREDICTED_TARGET_VALUE VALUE ------------------- ---------------------- ---------- 1 0 60 0 0 891 1 1 286 0 1 263
コスト・マトリックス表に基づくコンフュージョン・マトリックスの計算
前述の例のコンフュージョン・マトリックスは、高い偽陽性率を示しています。263のケースで、実際の値が0(ゼロ)であるにもかかわらず、モデルでは1と予測されました。コスト・マトリックスを使用すると、このようなエラーを最小限に抑えることができます。
コスト・マトリックス表nb_cost_matrix
から、偽陽性は偽陰性の3倍以上のコストがかかることがわかります。
SQL> SELECT * from nb_cost_matrix; ACTUAL_TARGET_VALUE PREDICTED_TARGET_VALUE COST ------------------- ---------------------- ---------- 0 0 0 0 1 .75 1 0 .25 1 1 0
次の文は、APPLY
を使用して予測を生成する方法を示しています。
BEGIN DBMS_DATA_MINING.APPLY( model_name => 'nb_sh_clas_sample', data_table_name => 'mining_data_test_v', case_id_column_name => 'cust_id', result_table_name => 'nb_apply_results'); END; /
この文では、コスト・マトリックス表を使用してコンフュージョン・マトリックスが計算されます。スコア基準列の名前は'PROBABILITY
'で、この列名は、APPLY
で生成される名前です。
DECLARE v_accuracy NUMBER; BEGIN DBMS_DATA_MINING.COMPUTE_CONFUSION_MATRIX ( accuracy => v_accuracy, apply_result_table_name => 'nb_apply_results', target_table_name => 'mining_data_test_v', case_id_column_name => 'cust_id', target_column_name => 'affinity_card', confusion_matrix_table_name => 'nb_confusion_matrix', score_column_name => 'PREDICTION', score_criterion_column_name => 'PROBABILITY', cost_matrix_table_name => 'nb_cost_matrix', apply_result_schema_name => null, target_schema_name => null, cost_matrix_schema_name => null, score_criterion_type => 'COST'); DBMS_OUTPUT.PUT_LINE('**** MODEL ACCURACY ****: ' || ROUND(v_accuracy,4)); END; /
生成されるコンフュージョン・マトリックスは、(263から212に)偽陽性が低下したことを示しています。
**** MODEL ACCURACY ****: .798 SQL> SELECT * FROM nb_confusion_matrix; ACTUAL_TARGET_VALUE PREDICTED_TARGET_VALUE VALUE ------------------- ---------------------- ---------- 1 0 91 0 0 942 1 1 255 0 1 212
埋め込まれたコストに基づくコンフュージョン・マトリックスの計算
ADD_COST_MATRIX
プロシージャを使用すると、モデルにコスト・マトリックスを埋め込むことができます。埋め込まれたコストは、確率のかわりにスコアリングに使用できます。次の文は、以前に定義済のコスト・マトリックスをモデルに追加します。
BEGIN DBMS_DATA_MINING.ADD_COST_MATRIX ('nb_sh_clas_sample', 'nb_cost_matrix');END;/
次の文は、埋め込まれたコストを使用してテスト・データにモデルを適用し、結果を表に格納します。
CREATE TABLE nb_apply_results AS SELECT cust_id, PREDICTION(nb_sh_clas_sample COST MODEL USING *) prediction, PREDICTION_COST(nb_sh_clas_sample COST MODEL USING *) cost FROM mining_data_test_v;
埋め込まれたコストを使用してコンフュージョン・マトリックスを計算できます。
DECLARE v_accuracy NUMBER; BEGIN DBMS_DATA_MINING.COMPUTE_CONFUSION_MATRIX ( accuracy => v_accuracy, apply_result_table_name => 'nb_apply_results', target_table_name => 'mining_data_test_v', case_id_column_name => 'cust_id', target_column_name => 'affinity_card', confusion_matrix_table_name => 'nb_confusion_matrix', score_column_name => 'PREDICTION', score_criterion_column_name => 'COST', cost_matrix_table_name => null, apply_result_schema_name => null, target_schema_name => null, cost_matrix_schema_name => null, score_criterion_type => 'COST'); END; /
結果は次のとおりです。
**** MODEL ACCURACY ****: .798 SQL> SELECT * FROM nb_confusion_matrix; ACTUAL_TARGET_VALUE PREDICTED_TARGET_VALUE VALUE ------------------- ---------------------- ---------- 1 0 91 0 0 942 1 1 255 0 1 212
このプロシージャは、リフトを計算し、ユーザーのスキーマにある表に結果を格納します。
リフトは、バイナリ分類モデルに対するテスト指標値です。リフトを計算するには、ターゲット値のいずれかをポジティブ・クラスに指定する必要があります。COMPUTE_LIFT
では、一連のテスト・データにおいて、モデルによって生成された予測結果が実際のターゲット値と比較されます。リフトでは、モデルによるポジティブ・クラスの予測結果が、ランダムに選択した場合と比較してどの程度向上しているかが測定されます。
リフトは、確率(またはコスト)によってランク付けされてクオンタイルに分割されたスコアリング結果に対して計算されます。各クオンタイルには、同じ数のケースのスコアが含まれます。
COMPUTE_LIFT
では、クオンタイルに基づく累積統計情報が計算されます。クオンタイルの数およびポジティブ・クラスはユーザーが指定します。また、COMPUTE_LIFT
は、次の3つの入力ストリームを受け入れます。
テスト・データに対して生成された予測結果。この情報は、次の3つの列で渡されます。
ケースID列
予測列
予測に関連付けられた確率とコストのいずれかが格納されているスコアリング基準列
テスト・データの既知のターゲット値。この情報は、次の2つの列で渡されます。
ケースID列
既知のターゲット値が格納されているターゲット列
(オプション)事前定義された列を持つコスト・マトリックス表。列の要件については、「使用上の注意」を参照してください。
構文
DBMS_DATA_MINING.COMPUTE_LIFT ( apply_result_table_name IN VARCHAR2, target_table_name IN VARCHAR2, case_id_column_name IN VARCHAR2, target_column_name IN VARCHAR2, lift_table_name IN VARCHAR2, positive_target_value IN VARCHAR2, score_column_name IN VARCHAR2 DEFAULT 'PREDICTION', score_criterion_column_name IN VARCHAR2 DEFAULT 'PROBABILITY', num_quantiles IN NUMBER DEFAULT 10, cost_matrix_table_name IN VARCHAR2 DEFAULT NULL, apply_result_schema_name IN VARCHAR2 DEFAULT NULL, target_schema_name IN VARCHAR2 DEFAULT NULL, cost_matrix_schema_name IN VARCHAR2 DEFAULT NULL score_criterion_type IN VARCHAR2 DEFAULT 'PROBABILITY');
パラメータ
表45-36 COMPUTE_LIFTプロシージャのパラメータ
パラメータ | 説明 |
---|---|
|
予測結果が含まれる表。 |
|
テスト・データの既知のターゲット値が含まれる表。 |
|
適用結果表のケースID列。ターゲット表のケースIDと一致する必要があります。 |
|
ターゲット表のターゲット列。テスト・データの既知のターゲット値が格納されます。 |
|
リフト統計情報が含まれる表。この表は、このプロシージャによってユーザーのスキーマ内に作成されます。 リフト表の列については、「使用上の注意」を参照してください。 |
|
ポジティブ・クラス。リフトの計算対象となるクラスです。 ターゲット列が |
|
適用結果表の予測結果が格納される列。 デフォルトの列名は' |
|
適用結果表のスコアリング基準値が格納される列。予測を決定する確率またはコストが格納されます。 デフォルトでは、スコアリングは確率に基づくため、各ケースに対して最も確率の高いクラスが予測されます。スコアリングがコストに基づく場合は、最もコストの低いクラスが予測されます。
デフォルトの列名は' 詳細は、「使用上の注意」を参照してください。 |
|
リフト計算に使用するクオンタイル数。デフォルトは10です。 |
|
(オプション)分類ミスに関連付けられたコストを定義する表。コスト・マトリックス表があり、 コスト・マトリックス表の列については、「使用上の注意」を参照してください。 |
|
適用結果表のスキーマ。 NULLの場合、ユーザーのスキーマと想定されます。 |
|
既知のターゲットが含まれている表のスキーマ。 NULLの場合、ユーザーのスキーマと想定されます。 |
|
コスト・マトリックス表のスキーマ(指定されている場合)。 NULLの場合、ユーザーのスキーマと想定されます。 |
|
スコアリング基準として確率またはコストのいずれを使用するか。確率またはコストは、
「使用上の注意」および「例」を参照してください。 |
使用上の注意
COMPUTE_LIFT
に渡す予測情報は、SQLファンクションPREDICTION
、DBMS_DATA_MINING.APPLY
プロシージャまたはその他のメカニズムを使用して生成できます。プロシージャは、渡すデータが適切な場合にかぎり、リフトを計算できます。
COMPUTE_LIFT
にコスト・マトリックスを渡すかわりに、モデルに関連付けられているスコアリング・コスト・マトリックスを使用できます。スコアリング・コスト・マトリックスは、モデルに埋め込むか、またはモデルの適用時に動的に定義できます。スコアリング・コスト・マトリックスを使用するには、SQLファンクションPREDICTION_COST
を起動して、スコア基準列を移入します。
COMPUTE_LIFT
に渡す予測情報は、apply_results_table_name
で指定した表またはビューに格納されます。
CREATE TABLEapply_result_table_name
AS (case_id_column_name
VARCHAR2, score_column_name VARCHAR2,score_criterion_column_name
VARCHAR2);
コスト・マトリックスには、表45-37に示す列が必要です。
表45-37 コスト・マトリックスの列
列名 | データ・タイプ |
---|---|
|
作成データのターゲット列のタイプ |
|
テスト・データの予測ターゲットのタイプ。予測されるターゲットのタイプは、予測されるターゲットに関連した逆変換が存在しない限り、実際のターゲットのタイプと同じであることが必要です。 |
|
|
関連項目: コスト・マトリックスの詳細は、『Oracle Data Mining概要』を参照してください。 |
COMPUTE_LIFT
で作成される表には、表45-38に示す列があります。
表45-38 リフト表の列
列名 | データ・タイプ |
---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
関連項目: リフト表の詳細は、『Oracle Data Mining概要』を参照してください。 |
COMPUTE_LIFT
にコスト・マトリックスが渡されると、リフト表のprobability_threshold
列にコストしきい値が戻されます。
例
ここに示す例では、Naive Bayesモデルnb_sh_clas_sample
が使用されています。このモデルは、Oracle Data Miningのサンプル・プログラムによって作成されます。
この例は、確率に基づくリフトを示しています。コストに基づく計算を示す例については、「COMPUTE_CONFUSION_MATRIXプロシージャ」を参照してください。
次の文は、テスト・データにモデルを適用し、予測結果と確率を表に格納します。
CREATE TABLE nb_apply_results AS SELECT cust_id, t.prediction, t.probability FROM mining_data_test_v, TABLE(PREDICTION_SET(nb_sh_clas_sample USING *)) t;
スコアリング基準として確率を使用する場合は、次のようにリフトを計算できます。
BEGIN DBMS_DATA_MINING.COMPUTE_LIFT ( apply_result_table_name => 'nb_apply_results', target_table_name => 'mining_data_test_v', case_id_column_name => 'cust_id', target_column_name => 'affinity_card', lift_table_name => 'nb_lift', positive_target_value => to_char(1), score_column_name => 'PREDICTION', score_criterion_column_name => 'PROBABILITY', num_quantiles => 10, cost_matrix_table_name => null, apply_result_schema_name => null, target_schema_name => null, cost_matrix_schema_name => null, score_criterion_type => 'PROBABILITY'); END; /
この問合せにより、生成されるリフト表の統計情報の一部が表示されます。
SQL>SELECT quantile_number, probability_threshold, gain_cumulative, quantile_total_count FROM nb_lift; QUANTILE_NUMBER PROBABILITY_THRESHOLD GAIN_CUMULATIVE QUANTILE_TOTAL_COUNT --------------- --------------------- --------------- -------------------- 1 .989335775 .15034965 55 2 .980534911 .26048951 55 3 .968506098 .374125874 55 4 .958975196 .493006993 55 5 .946705997 .587412587 55 6 .927454174 .66958042 55 7 .904403627 .748251748 55 8 .836482525 .839160839 55 10 .500184953 1 54
このプロシージャは、受信者操作特性(ROC)を計算してユーザーのスキーマにある表に結果を格納し、モデルの精度を戻します。
ROCは、バイナリ分類モデルに対するテスト指標値です。ROCを計算するには、ターゲット値のいずれかをポジティブ・クラスに指定する必要があります。COMPUTE_ROC
では、一連のテスト・データにおいて、モデルによって生成された予測結果が実際のターゲット値と比較されます。
ROCは、確率しきい値における変化の影響を測定します。確率しきい値は、モデルが予測に使用する決定ポイントです。バイナリ分類では、デフォルトの確率しきい値は0.5です。それぞれのケースに対して、確率が50%を超える値が予測されます。
ROCは、X-Y軸上の曲線として描くことができます。X軸を偽陽性率にします。Y軸を真陽性率にします。偽陽性とは、陰性であるものがテスト・データで陽性と予測されることです。真陽性とは、陽性であるものがテスト・データで陽性と予測されることです。
COMPUTE_ROC
は、次の2つの入力ストリームを受け入れます。
テスト・データに対して生成された予測結果。この情報は、次の3つの列で渡されます。
ケースID列
予測列
確率が格納されているスコアリング基準列
テスト・データの既知のターゲット値。この情報は、次の2つの列で渡されます。
ケースID列
既知のターゲット値が格納されているターゲット列
構文
DBMS_DATA_MINING.COMPUTE_ROC ( roc_area_under_curve OUT NUMBER, apply_result_table_name IN VARCHAR2, target_table_name IN VARCHAR2, case_id_column_name IN VARCHAR2, target_column_name IN VARCHAR2, roc_table_name IN VARCHAR2, positive_target_value IN VARCHAR2, score_column_name IN VARCHAR2 DEFAULT 'PREDICTION', score_criterion_column_name IN VARCHAR2 DEFAULT 'PROBABILITY', apply_result_schema_name IN VARCHAR2 DEFAULT NULL, target_schema_name IN VARCHAR2 DEFAULT NULL);
パラメータ
表45-39 COMPUTE_ROCプロシージャのパラメータ
パラメータ | 説明 |
---|---|
|
ROC曲線(AUC)の下部の面積が含まれる出力パラメータ。AUCによって、実際の陽性が陽性として予測される可能性が測定されます。 AUCが大きいほど、ポジティブ・クラスの予測とネガティブ・クラスの予測の間のトレードオフに対応するモデルの柔軟性が高くなります。AUCは、あるターゲット・クラスが別のターゲット・クラスと比較して、特定されるのが稀な場合または特定することがより重要な場合に、特に重要となります。 |
|
予測結果が含まれる表。 |
|
テスト・データの既知のターゲット値が含まれる表。 |
|
適用結果表のケースID列。ターゲット表のケースIDと一致する必要があります。 |
|
ターゲット表のターゲット列。テスト・データの既知のターゲット値が格納されます。 |
|
ROC出力が含まれる表。この表は、このプロシージャによってユーザーのスキーマ内に作成されます。 ROC表の列については、「使用上の注意」を参照してください。 |
|
ポジティブ・クラス。ROCの計算対象となるクラスです。 ターゲット列が |
|
適用結果表の予測結果が格納される列。 デフォルトの列名は' |
|
適用結果表のスコアリング基準値が格納される列。予測を決定する確率が格納されます。 デフォルトの列名は' |
|
適用結果表のスキーマ。 NULLの場合、ユーザーのスキーマと想定されます。 |
|
既知のターゲットが含まれている表のスキーマ。 NULLの場合、ユーザーのスキーマと想定されます。 |
使用上の注意
COMPUTE_ROC
に渡す予測情報は、SQLファンクションPREDICTION
、DBMS_DATA_MINING.APPLY
プロシージャまたはその他のメカニズムを使用して生成できます。プロシージャは、渡すデータが適切な場合にかぎり、受信者操作特性を計算できます。
COMPUTE_ROC
に渡す予測情報は、apply_results_table_name
で指定した表またはビューに格納されます。
CREATE TABLEapply_result_table_name
AS (case_id_column_name
VARCHAR2, score_column_name VARCHAR2,score_criterion_column_name
VARCHAR2);
COMPUTE_ROC
で作成される表には、表45-40に示す列があります。
表45-40 COMPUTE_ROCの出力
列 | データ・タイプ |
---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
関連項目: COMPUTE_ROCの出力の詳細は、『Oracle Data Mining概要』 を参照してください。 |
ROCは、通常、最適な確率しきい値を決定するために使用されます。最適な確立しきい値を決定するには、真陽性率と偽陽性率を調べます。真陽性率とは、陽性であるものが、テスト・データで正しく陽性と予測される割合のことです。偽陽性率とは、陰性であるものが、テスト・データで誤って陽性と予測される割合のことです。
確率しきい値を指定すると、次の文では、適用結果表内の陽性の予測が確率順に戻されます。
SELECT case_id_column_name FROM apply_result_table_name WHEREprobability
>probability_threshold
ORDER BYprobability
DESC;
最適な確率しきい値を特定するには、2つの方法があります。どちらの方法を採用するかは、ポジティブ・クラスとネガティブ・クラスを誤って予測した場合の相対コストがわかっているかどうかで決まります。
コストがわかっている場合は、相対コストをROC表に適用して、コストが最小になる確率しきい値を計算します。相対コスト比率が20 (ポジティブ・クラスの誤りコスト÷ネガティブ・クラスの誤りコスト= 20)であるとします。次のような問合せを実行します。
WITHcost
AS ( SELECTprobability_threshold
, 20 *false_negatives
+false_positives
cost
FROMROC_table
GROUP BYprobability_threshold
),minCost
AS ( SELECT min(cost
)minCost
FROMcost
) SELECT max(probability_threshold
)probability_threshold FROMcost
,minCost
WHEREcost
=minCost
;
相対コストが明確にわかっていない場合は、ROC表の値を確率しきい値の昇順に並べ替えて表示し、表示されたトレードオフ(誤って分類されたポジティブ・クラスとネガティブ・クラスの比率)のうち、どのトレードオフ値が最適であるのかを判断できます。
SELECT * FROMROC_table
ORDER BYprobability_threshold
;
例
ここに示す例では、Naive Bayesモデルnb_sh_clas_sample
が使用されています。このモデルは、Oracle Data Miningのサンプル・プログラムによって作成されます。
次の文は、テスト・データにモデルを適用し、予測結果と確率を表に格納します。
CREATE TABLE nb_apply_results AS SELECT cust_id, t.prediction, t.probability FROM mining_data_test_v, TABLE(PREDICTION_SET(nb_sh_clas_sample USING *)) t;
テスト・データの予測値とターゲット値を使用して、次のようにROCを計算できます。
DECLARE v_area_under_curve NUMBER; BEGIN DBMS_DATA_MINING.COMPUTE_ROC ( roc_area_under_curve => v_area_under_curve, apply_result_table_name => 'nb_apply_results', target_table_name => 'mining_data_test_v', case_id_column_name => 'cust_id', target_column_name => 'affinity_card', roc_table_name => 'nb_roc', positive_target_value => '1', score_column_name => 'PREDICTION', score_criterion_column_name => 'PROBABILITY'); DBMS_OUTPUT.PUT_LINE('**** AREA UNDER ROC CURVE ****: ' || ROUND(v_area_under_curve,4)); END; /
生成されるAUCおよび選択されたROC表の列は、次のように表示されます。
**** AREA UNDER ROC CURVE ****: .8212 SQL> SELECT probability, true_positive_fraction, false_positive_fraction FROM nb_roc; PROBABILITY TRUE_POSITIVE_FRACTION FALSE_POSITIVE_FRACTION ----------- ---------------------- ----------------------- .00000 1 1 .50018 .826589595 .227902946 .53851 .823699422 .221837088 .54991 .820809249 .217504333 .55628 .815028902 .215771231 .55628 .817919075 .215771231 .57563 .800578035 .214904679 .57563 .812138728 .214904679 . . . . . . . . .
このプロシージャは、特定のマイニング機能を持つマイニング・モデルを作成します。
xform_list
をCREATE_MODEL
に渡すと、入力データで実行される変換のリストを指定できます。PREP_AUTO
設定を有効にすると、自動変換に加えてその変換が使用されます。PREP_AUTO
設定を無効にすると、指定した変換のみがモデルで実装されます。いずれの場合も、変換定義はモデルに埋め込まれ、モデルが適用されるたびに自動的に実行されます。「自動データ準備」を参照してください。
構文
DBMS_DATA_MINING.CREATE_MODEL ( model_name IN VARCHAR2, mining_function IN VARCHAR2, data_table_name IN VARCHAR2, case_id_column_name IN VARCHAR2, target_column_name IN VARCHAR2 DEFAULT NULL, settings_table_name IN VARCHAR2 DEFAULT NULL, data_schema_name IN VARCHAR2 DEFAULT NULL, settings_schema_name IN VARCHAR2 DEFAULT NULL, xform_list IN TRANSFORM_LIST DEFAULT NULL);
パラメータ
表45-41 CREATE_MODELプロシージャのパラメータ
パラメータ | 説明 |
---|---|
|
[schema_name.]model_nameの形式のモデル名。スキーマを指定しない場合は、独自のスキーマが使用されます。 モデルのネーミングにおける制限については、「使用上の注意」を参照してください。 |
|
マイニング機能。この値のリストについては、表45-3「マイニング機能」を参照してください。 |
|
作成データが含まれる表またはビュー。 |
|
作成データのケースID列。 |
|
監視ありモデルの場合は、作成データのターゲット列。監視なしモデルの場合は、 |
|
モデルの作成設定が含まれる表。設定表がない(デフォルトの設定のみが使用されている)場合は、 |
|
作成データに適用されるスキーマ。 |
|
設定表に適用されるスキーマ。 |
|
自動変換に加えて、または自動変換のかわりに使用される変換のリストで、
TYPE TRANFORM_REC IS RECORD ( attribute_name VARCHAR2(4000), attribute_subname VARCHAR2(4000), expression EXPRESSION_REC, reverse_expression EXPRESSION_REC, attribute_spec VARCHAR2(4000));
TRANSFORM_RECタイプの詳細は、 |
使用上の注意
xform_list
引数のattribute_spec
フィールドを使用すると、属性を非構造化テキストとして識別したり、属性に対する自動データ準備を無効にすることができます。attribute_spec
には、次の値を設定できます。
TEXT
: 属性に非構造化テキストが含まれていることを示します。オプションで、TEXT
値の後にOracle Textのポリシー名を続けることができます。(テキスト・ポリシーの作成の詳細は、『Oracle Textリファレンス』のCTX_DDL.CREATE_POLICYに関する項を参照。)
Oracle Data Miningでは、VARCHAR2
/CHAR
、CLOB
、BLOB
およびBFILE
の各列をテキストとして処理できます。列がVARCHAR2
またはCHAR
のときにTEXT
を指定しないと、Oracle Data Miningによってその列が質的データとして処理されます。列がCLOB
の場合、Oracle Data Miningによってデフォルトのテキストとして処理されます(TEXT
として指定する必要はない)。列がBLOB
またはBFILE
のときにTEXT
を指定しないと、CREATE_MODEL
はエラーを戻します。
ネストした列またはネストした列の属性に対してTEXT
を指定すると、CREATE_MODEL
はエラーを戻します。
NOPREP
: 属性のADPを無効にします。ADPが無効になっている場合、値NOPREP
は無視されます。
NOPREP
はネストした列に対して指定できますが、ネストした列の属性に対しては指定できません。ADPが有効なときに、ネストした列の属性に対してNOPREP
を指定すると、CREATE_MODEL
はエラーを戻します。
データ・ディクショナリ・ビューを問い合せると、モデルに関する情報を取得できます。
ALL/USER/DBA_MINING_MODELS ALL/USER/DBA_MINING_MODEL_ATTRIBUTES ALL/USER/DBA_MINING_MODEL_SETTINGS
モデルのディテールを問い合せると、モデルの属性に関する情報を取得できます。
dbms_data_mining.get_model_details_algorithm (model_name)
モデルのネーミング規則には、大部分のデータベース・スキーマ・オブジェクトのネーミング規則よりも多くの制限があります。モデル名は、次の要件も満たす必要があります。
名前の長さは、25文字までにする必要があります。
名前は、引用符で囲まれていない識別子である必要があります。引用符で囲まれていない識別子は、英数字、アンダースコア(_)、ドル記号($)および番号記号(#)のみで構成され、最初の文字はアルファベットである必要があります。引用符で囲まれていないリテラルに、ドル記号および番号記号は使用しないことを強くお薦めします。
スキーマ・オブジェクトのネーミング要件の詳細は、『Oracle Database SQL言語リファレンス』を参照してください。
例
最初の例では、サポート・ベクター・マシン・アルゴリズムを使用して分類モデルを作成します。
-- Create the settings table CREATE TABLE svm_model_settings ( setting_name VARCHAR2(30), setting_value VARCHAR2(30)); -- Populate the settings table -- Specify SVM. By default, Naive Bayes is used for classification. -- Specify ADP. By default, ADP is not used. BEGIN INSERT INTO svm_model_settings (setting_name, setting_value) VALUES (dbms_data_mining.algo_name, dbms_data_mining.algo_support_vector_machines); INSERT INTO svm_model_settings (setting_name, setting_value) VALUES (dbms_data_mining.prep_auto,dbms_data_mining.prep_auto_on); COMMIT; END; / -- Create the model using the specified settings BEGIN DBMS_DATA_MINING.CREATE_MODEL( model_name => 'svm_model', mining_function => dbms_data_mining.classification, data_table_name => 'mining_data_build_v', case_id_column_name => 'cust_id', target_column_name => 'affinity_card', settings_table_name => 'svm_model_settings'); END; /
モデル設定は、次の問合せで表示できます。
SELECT * FROM user_mining_model_settings WHERE model_name IN 'SVM_MODEL'; MODEL_NAME SETTING_NAME SETTING_VALUE SETTING ------------- ---------------------- ----------------------------- ------- SVM_MODEL ALGO_NAME ALGO_SUPPORT_VECTOR_MACHINES INPUT SVM_MODEL SVMS_KERNEL_CACHE_SIZE 50000000 DEFAULT SVM_MODEL SVMS_ACTIVE_LEARNING SVMS_AL_ENABLE DEFAULT SVM_MODEL SVMS_STD_DEV 3.004524 DEFAULT SVM_MODEL PREP_AUTO ON INPUT SVM_MODEL SVMS_COMPLEXITY_FACTOR 1.887389 DEFAULT SVM_MODEL SVMS_KERNEL_FUNCTION SVMS_GAUSSIAN DEFAULT SVM_MODEL SVMS_CONV_TOLERANCE .001 DEFAULT
次の例では、異常検出モデルを作成します。異常検出では、ターゲットなしでSVM分類が使用されます。この例では、最初の例でSVM分類モデル用に作成した設定表と同じ設定表を使用します。
BEGIN DBMS_DATA_MINING.CREATE_MODEL( model_name => 'anomaly_detect_model', mining_function => dbms_data_mining.classification, data_table_name => 'mining_data_build_v', case_id_column_name => 'cust_id', target_column_name => null, settings_table_name => 'svm_model_settings'); END; /
この問合せは、これらの例で作成されたモデルが、スキーマで唯一のモデルであることを示しています。
SELECT model_name, mining_function, algorithm FROM user_mining_models; MODEL_NAME MINING_FUNCTION ALGORITHM ---------------------- -------------------- ------------------------------ SVM_MODEL CLASSIFICATION SUPPORT_VECTOR_MACHINES ANOMALY_DETECT_MODEL CLASSIFICATION SUPPORT_VECTOR_MACHINES
この問合せは、ターゲットがあるのはこのSVM分類モデルのみであることを示しています。
SELECT model_name, attribute_name, attribute_type, target FROM user_mining_model_attributes WHERE target = 'YES'; MODEL_NAME ATTRIBUTE_NAME ATTRIBUTE_TYPE TARGET ------------------ --------------- ----------------- ------ SVM_MODEL AFFINITY_CARD CATEGORICAL YES
このプロシージャは、指定したマイニング・モデルを削除します。
このプロシージャは、指定されたデータ・マイニング・モデルをダンプ・ファイル・セットにエクスポートします。ダンプ・ファイル・セットからモデルをインポートするには、IMPORT_MODELプロシージャを使用します。EXPORT_MODEL
およびIMPORT_MODEL
では、Oracle Data Pumpテクノロジが使用されています。
Oracle Data Pumpを使用してスキーマ全体またはデータベース全体をエクスポートまたはインポートする場合、そのスキーマまたはデータベースのマイニング・モデルが含められます。ただし、EXPORT_MODEL
およびIMPORT_MODEL
は、個々のモデルのエクスポートとインポートをサポートする唯一のユーティリティです。
関連項目: Oracle Data Pumpの詳細は、『Oracle Databaseユーティリティ』を参照してください。 マイニング・モデルのエクスポートおよびインポートの詳細は、Oracle Data Miningユーザーズ・ガイドを参照してください。 |
構文
DBMS_DATA_MINING.EXPORT_MODEL ( filename IN VARCHAR2, directory IN VARCHAR2, model_filter IN VARCHAR2 DEFAULT NULL, filesize IN VARCHAR2 DEFAULT NULL, operation IN VARCHAR2 DEFAULT NULL, remote_link IN VARCHAR2 DEFAULT NULL, jobname IN VARCHAR2 DEFAULT NULL);
パラメータ
表45-43 EXPORT_MODELプロシージャのパラメータ
パラメータ | 説明 |
---|---|
|
モデルのエクスポート先のダンプ・ファイル・セットの名前。この名前は、スキーマ内で一意である必要があります。 ダンプ・ファイル・セットには1つ以上のファイルを保存できます。ダンプ・ファイル・セットのファイルの個数は、エクスポートするモデルのサイズ(メタデータとデータの両方)および指定または推定された最大ファイル・サイズによって決まります。ファイル・サイズは、 エクスポート操作が正常に終了すると、ダンプ・ファイル・セット内にファイルが1つしか存在しない場合でも、ダンプ・ファイル・セットの名前が自動的に |
|
ダンプ・ファイル・セットの作成場所を指定する、事前定義済のディレクトリ・オブジェクトの名前。 エクスポートするユーザーには、このディレクトリ・オブジェクト、およびこのディレクトリ・オブジェクトによって指定されるファイル・システム・ディレクトリに対する読取り/書込み権限が必要です。 ディレクトリ・オブジェクトの詳細は、『Oracle Database SQL言語リファレンス』を参照してください。 |
|
エクスポートするモデルを指定するパラメータ(オプション)。 マイニング機能またはアルゴリズムに基づいて、モデルの名前およびグループ別に個々のモデルをエクスポートできます。たとえば、すべての回帰モデルまたはすべてのNaive Bayesモデルをエクスポートできます。例は、表45-44を参照してください。 |
|
ダンプ・ファイル・セット内のファイルの最大サイズを指定するパラメータ(オプション)。サイズは、バイト単位、キロバイト単位(KB)、メガバイト単位(MB)、ギガバイト単位(GB)で指定可能です。デフォルトのサイズは50MBです。 エクスポートするモデルのサイズが |
|
ダンプ・ファイル・セット内のファイルのサイズを推定するかどうかを指定するパラメータ(オプション)。デフォルトでは、ファイルのサイズは推定されず、
|
|
リモート・システムへのデータベース・リンクの名前を指定するオプション・パラメータ。デフォルト値は |
|
エクスポート・ジョブの名前を指定するパラメータ(オプション)。デフォルトでは、 ジョブ名を指定する場合は、スキーマ内で一意の名前を指定する必要があります。ジョブ名の最大長は30文字です。 エクスポート・ジョブのログ・ファイルが、 |
使用上の注意
model_filter
パラメータは、エクスポートするモデルを指定します。名前別にモデルを指定したり、同じマイニング機能またはアルゴリズムを持つモデルをすべて指定できます。USER_MINING_MODELS
ビューを問い合せると、スキーマ内のモデルを表示できます。
SQL> describe user_mining_models Name Null? Type ----------------------------------------- -------- ---------------------------- MODEL_NAME NOT NULL VARCHAR2(30) MINING_FUNCTION VARCHAR2(30) ALGORITHM VARCHAR2(30) CREATION_DATE NOT NULL DATE BUILD_DURATION NUMBER MODEL_SIZE NUMBER COMMENTS VARCHAR2(4000)
表45-44に、モデル・フィルタの例を示します。
表45-44 モデル・フィルタ・パラメータのサンプル値
サンプル値 | 意味 |
---|---|
|
|
|
|
|
|
|
すべてのNaive Bayesモデルをエクスポートします。アルゴリズム名のリストについては、表45-5を参照してください。 |
|
すべての分類モデルをエクスポートします。マイニング機能のリストについては、表45-3を参照してください。 |
例
次の文では、DMUSER3
スキーマ内のすべてのモデルが、$ORACLE_HOME/rdbms/log
ディレクトリのmodels_out
というダンプ・ファイル・セットにエクスポートされます。このディレクトリは、DATA_PUMP_DIR
というディレクトリ・オブジェクトにマップされています。DMUSER3
ユーザーには、このディレクトリおよびディレクトリ・オブジェクトへの読取り/書込みアクセス権があります。
SQL>execute dbms_data_mining.export_model ('models_out', 'DATA_PUMP_DIR');
SQL*Plusを終了し、作成されたダンプ・ファイルおよびログ・ファイルを表示できます。
SQL>EXIT >cd $ORACLE_HOME/rdbms/log >ls >DMUSER3_exp_1027.log models_out01.dmp
次の例は、同じディレクトリ・オブジェクトを使用し、同じユーザーによって実行されます。NMF_SH_SAMPLE
というモデルおよびSVMR_SH_REGR_SAMPLE
というモデルが、同じディレクトリ内の別々のダンプ・ファイル・セットにエクスポートされます。
SQL>EXECUTE DBMS_DATA_MINING.EXPORT_MODEL ( 'models2_out', 'DATA_PUMP_DIR', 'name in (''NMF_SH_SAMPLE'', ''SVMR_SH_REGR_SAMPLE'')'); SQL>EXIT >cd $ORACLE_HOME/rdbms/log >ls >DMUSER3_exp_1027.log models_out01.dmp DMUSER3_exp_924.log models2_out01.dmp
次の例では、特定のアルゴリズム名とマイニング機能名を指定してモデルをエクスポートする方法を示します。
SQL>EXECUTE DBMS_DATA_MINING.EXPORT_MODEL('algo.dmp','DM_DUMP', 'ALGORITHM_NAME IN (''O_CLUSTER'',''GENERALIZED_LINEAR_MODEL'', ''SUPPORT_VECTOR_MACHINES'',''NAIVE_BAYES'')'); SQL>EXECUTE DBMS_DATA_MINING.EXPORT_MODEL('func.dmp', 'DM_DUMP', 'FUNCTION_NAME IN (CLASSIFICATION,CLUSTERING,FEATURE_EXTRACTION)');
このテーブル・ファンクションは、相関モデルによって作成されたルールを戻します。
フィルタ条件を指定して、ルールのサブセットをGET_ASSOCIATION_RULES
から戻すことができます。このテーブル・ファンクションのパフォーマンスは、フィルタ条件によって向上させることができます。ルールの数が多い場合は、topn
パラメータを指定するとパフォーマンスが最適化されます。
構文
DBMS_DATA_MINING.GET_ASSOCIATION_RULES ( model_name IN VARCHAR2, topn IN NUMBER DEFAULT NULL, rule_id IN NUMBER (38) DEFAULT NULL, min_confidence IN NUMBER DEFAULT NULL, min_support IN NUMBER DEFAULT NULL, max_rule_length IN NUMBER (38) DEFAULT NULL, min_rule_length IN NUMBER (38) DEFAULT NULL, sort_order IN ORA_MINING_VARCHAR2_NT DEFAULT NULL, antecedent_items IN DM_ITEMS DEFAULT NULL, consequent_items IN DM_ITEMS DEFAULT NULL, min_lift IN NUMBER DEFAULT NULL) RETURN DM_RULES PIPELINED;
パラメータ
表45-45 GET_ASSOCIATION_RULESファンクションのパラメータ
パラメータ | 説明 |
---|---|
|
[schema_name.]model_nameの形式のモデル名。スキーマを指定しない場合は、独自のスキーマが使用されます。 これは、 |
|
まず信頼度、次に支持度に基づいて降順でルールを並べ、上位n個のルールを戻します。ソート順序を指定すると、そのソートの実行後に上位n個のルールが導出されます。
|
|
戻すルールの識別子。 |
|
この数値以上の信頼度を持つルールを戻します。 |
|
この数値以上の支持値を持つルールを戻します。 |
|
この数値以下の長さを持つルールを戻します。 ルールの長さとは、ルール内の項目数のことです(
|
|
この数値以上の長さを持つルールを戻します。ルールの長さについては、「
|
|
戻される1つ以上の列の値に基づいてルールをソートします。列名の後に たとえば、結果セットを、まず
デフォルトでは、結果は、まず信頼度に基づいて降順でソートされ、次に支持度に基づいて降順でソートされます。 |
|
これらの項目が前件にあるルールを戻します。 |
|
この項目が後件にあるルールを戻します。 |
|
この数値以上のリフトを持つルールを戻します。 |
戻り値
GET_ASSOCIATION_RULES
によって戻されるオブジェクト・タイプが、表45-46で説明されています。各フィールドの説明については、「使用上の注意」を参照してください。
表45-46 GET_ASSOCIATION RULESファンクションの戻り値
戻り値 | 説明 |
---|---|
|
(rule_id INTEGER, antecedent DM_PREDICATES, consequent DM_PREDICATES, rule_support NUMBER, rule_confidence NUMBER, rule_lift NUMBER, antecedent_support NUMBER, consequent_support NUMBER, number_of_items INTEGER ) |
(attribute_name VARCHAR2(4000), attribute_subname VARCHAR2(4000), conditional_operator CHAR(2)/*=,<>,<,>,<=,>=*/, attribute_num_value NUMBER, attribute_str_value VARCHAR2(4000), attribute_support NUMBER, attribute_confidence NUMBER) |
使用上の注意
このテーブル・ファンクションは、DM_RULES
タイプの行をパイプライン出力します。Data Miningのデータ・タイプと表ファンクションからのパイプ出力については、「データ・タイプ」を参照してください。
ORA_MINING_VARCHAR2_NT
タイプは、VARCHAR2(4000)
の表として定義されます。
GET_ASSOCIATION_RULES
によって戻される列は、次のとおりです。(DM_RULE列のデータ・タイプについては、表45-46
を参照してください。)
DM_RULESの列 | 説明 |
---|---|
rule_id |
ルールの一意の識別子 |
antecedent |
ルール内の独立の条件。この条件が存在する場合は、後件に依存条件も存在します。
条件は、述語( 前件の属性条件ごとに、支持度と信頼度が述語に戻されます。支持度は、前件を満たすトランザクションの数です。信頼度は、トランザクションが前件を満たす確度です。 注意: DM_PREDICATE('PROD_NAME', 'Mouse Pad', '= ', NULL, NULL, NULL, NULL)) |
consequent |
ルール内の依存条件。後件が存在する場合に、この条件が存在します。
後件は、前件と同様に述語( 後件の属性条件ごとに、支持度と信頼度が述語に戻されます。支持度は、後件を満たすトランザクションの数です。信頼度は、トランザクションが後件を満たす確度です。 |
rule_support |
ルールを満たすトランザクションの数。 |
rule_confidence |
トランザクションがルールを満たす確度。 |
rule_lift |
ルールが満たされた場合に、ランダムな可能性を上回る予測の改善の程度。 |
antecedent_support |
トランザクションの合計数に対する、前件を満たすトランザクションの数の割合。 |
consequent_support |
トランザクションの合計数に対する、後件を満たすトランザクションの数の割合。 |
number_of_items |
ルールの前件と後件で参照される属性の合計数。 |
例
次の例では、相関モデルを作成した後、テーブル・ファンクションGET_ASSOCIATION_RULES
を数回コールしています。
-- prepare a settings table to override default settings CREATE TABLE market_settings AS SELECT * FROM TABLE(DBMS_DATA_MINING.GET_DEFAULT_SETTINGS) WHERE setting_name LIKE 'ASSO_%'; BEGIN -- update the value of the minimum confidence UPDATE market_settings SET setting_value = TO_CHAR(0.081) WHERE setting_name = DBMS_DATA_MINING.asso_min_confidence; -- build an AR model DBMS_DATA_MINING.CREATE_MODEL( model_name => 'market_model', function => DBMS_DATA_MINING.ASSOCIATION, data_table_name => 'market_build', case_id_column_name => 'item_id', target_column_name => NULL, settings_table_name => 'market_settings'); END; / -- View the (unformatted) rules SELECT rule_id, antecedent, consequent, rule_support, rule_confidence FROM TABLE(DBMS_DATA_MINING.GET_ASSOCIATION_RULES('market_model'));
前述の例では、すべてのルールが表示されます。上位20個のルールのみを表示するには、次の文を使用します。
-- View the top 20 (unformatted) rules SELECT rule_id, antecedent, consequent, rule_support, rule_confidence FROM TABLE(DBMS_DATA_MINING.GET_ASSOCIATION_RULES('market_model', 20));
次の問合せでは、相関モデルAR_SH_SAMPLE
が使用されていますが、このモデルは、Oracle Data Miningのサンプル・プログラムから作成されます。(サンプル・プログラムについては、Oracle Data Miningユーザーズ・ガイドを参照。)
SELECT * FROM TABLE ( DBMS_DATA_MINING.GET_ASSOCIATION_RULES ( 'AR_SH_SAMPLE', 10, NULL, 0.5, 0.01, 2, 1, ORA_MINING_VARCHAR2_NT ( 'NUMBER_OF_ITEMS DESC', 'RULE_CONFIDENCE DESC', 'RULE_SUPPORT DESC'), DM_ITEMS(DM_ITEM('CUSTPRODS', 'Mouse Pad', 1, NULL), DM_ITEM('CUSTPRODS', 'Standard Mouse', 1, NULL)), DM_ITEMS(DM_ITEM('CUSTPRODS', 'Extension Cable', 1, NULL))));
この問合せは、次のように3つのルールを戻します。
13 DM_PREDICATES( DM_PREDICATE('CUSTPRODS', 'Mouse Pad', '= ', 1, NULL, NULL, NULL), DM_PREDICATE('CUSTPRODS', 'Standard Mouse', '= ', 1, NULL, NULL, NULL)) DM_PREDICATES( DM_PREDICATE('CUSTPRODS', 'Extension Cable', '= ', 1, NULL, NULL, NULL)) .15532 .84393 2.7075 .18404 .3117 2 11 DM_PREDICATES( DM_PREDICATE('CUSTPRODS', 'Standard Mouse', '= ', 1, NULL, NULL, NULL)) DM_PREDICATES( DM_PREDICATE('CUSTPRODS', 'Extension Cable', '= ', 1, NULL, NULL, NULL)) .18085 .56291 1.8059 .32128 .3117 1 9 DM_PREDICATES( DM_PREDICATE('CUSTPRODS', 'Mouse Pad', '= ', 1, NULL, NULL, NULL)) DM_PREDICATES( DM_PREDICATE('CUSTPRODS', 'Extension Cable', '= ', 1, NULL, NULL, NULL)) .17766 .55116 1.7682 .32234 .3117 1
このテーブル・ファンクションは、高頻度項目セットを表す行の集合を相関モデルから戻します。高頻度項目セットの説明は、『Oracle Data Mining概要』を参照してください。
構文
DBMS_DATA_MINING.GET_FREQUENT_ITEMSETS ( model_name IN VARCHAR2, topn IN NUMBER DEFAULT NULL, max_itemset_length IN NUMBER DEFAULT NULL) RETURN DM_ITEMSETS PIPELINED;
戻り値
表45-48 GET_FREQUENT_ITEMSETSファンクションの戻り値
戻り値 | 説明 |
---|---|
|
(itemsets_id NUMBER, items DM_ITEMS, support NUMBER, number_of_items NUMBER)
(attribute_name VARCHAR2(4000), attribute_subname VARCHAR2(4000), attribute_num_value NUMBER, attribute_str_value VARCHAR2(4000)) |
使用上の注意
このテーブル・ファンクションは、DM_ITEMSETS
タイプの行をパイプライン出力します。Data Miningのデータ・タイプと表ファンクションからのパイプ出力については、「データ・タイプ」を参照してください。
例
この例では、相関モデルを作成した後、Oracle SQLからテーブル・ファンクションGET_FREQUENT_ITEMSETS
をコールする方法を示します。
-- prepare a settings table to override default settings CREATE TABLE market_settings AS
SELECT *
FROM TABLE(DBMS_DATA_MINING.GET_DEFAULT_SETTINGS) WHERE setting_name LIKE 'ASSO_%'; BEGIN -- update the value of the minimum confidence UPDATE market_settings SET setting_value = TO_CHAR(0.081) WHERE setting_name = DBMS_DATA_MINING.asso_min_confidence; /* build a AR model */ DBMS_DATA_MINING.CREATE_MODEL( model_name => 'market_model', function => DBMS_DATA_MINING.ASSOCIATION, data_table_name => 'market_build', case_id_column_name => 'item_id', target_column_name => NULL, settings_table_name => 'market_settings'); END; / -- View the (unformatted) Itemsets from SQL*Plus SELECT itemset_id, items, support, number_of_items FROM TABLE(DBMS_DATA_MINING.GET_FREQUENT_ITEMSETS('market_model'));
前述の例では、すべての項目セットが表示されます。上位20個の項目セットのみを表示するには、次の文を使用します。
-- View the top 20 (unformatted) Itemsets from SQL*Plus SELECT itemset_id, items, support, number_of_items FROM TABLE(DBMS_DATA_MINING.GET_FREQUENT_ITEMSETS('market_model', 20));
このファンクションは、指定したモデルに関連付けられたデフォルトのスコアリング・マトリックスの行を戻します。
デフォルトでは、このファンクションは、ADD_COST_MATRIX
プロシージャを使用してモデルに追加されたスコアリング・マトリックスを戻します。モデルの作成に使用されるコスト・マトリックスを取得する場合は、matrix_type
にcost_matrix_type_create
を指定します。表45-49を参照してください。
「ADD_COST_MATRIXプロシージャ」も参照してください。
構文
DBMS_DATA_MINING.GET_MODEL_COST_MATRIX ( model_name IN VARCHAR2, matrix_type IN VARCHAR2 DEFAULT cost_matrix_type_score) RETURN DM_COST_MATRIX PIPELINED;
使用上の注意
コスト・マトリックスを使用して作成できるのは、ディシジョン・ツリー・モデルのみです。コスト・マトリックスを使用してディシジョン・ツリー・モデルを作成する場合、モデルの設定表のCLAS_COST_TABLE_NAME
設定にコスト・マトリックス表の名前を指定します。表45-7「マイニング機能の設定」を参照してください。
ディシジョン・ツリー・モデルを作成する場合に使用するコスト・マトリックスは、そのモデルに対するデフォルトのスコアリング・マトリックスになります。スコアリング用に異なるコストを指定する場合は、コスト・マトリックス表の値を変更するか、またはREMOVE_COST_MATRIX
プロシージャを使用してコスト・マトリックスを削除し、ADD_COST_MATRIX
プロシージャを使用して新規コスト・マトリックスを追加できます。
例
この例では、Naive BayesモデルNB_SH_CLAS_SAMPLE
に関連付けられたスコアリング・コスト・マトリックスを戻します。
column actual format a10 column predicted format a10 SELECT * FROM TABLE(dbms_data_mining.get_model_cost_matrix('nb_sh_clas_sample')) ORDER BY predicted, actual; ACTUAL PREDICTED COST ---------- ---------- ----- 0 0 .00 1 0 .75 0 1 .25 1 1 .00
このテーブル・ファンクションは、属性評価モデルのディテールを表す行の集合を戻します。
構文
DBMS_DATA_MINING.GET_MODEL_DETAILS_AI ( model_name IN VARCHAR2) RETURN DM_RANKED_ATTRIBUTES PIPELINED;
例
次の例では、サンプル・プログラムdmaidemo.sql
で作成された属性評価モデルAI_SH_sample
に関するモデルのディテールが戻されます。サンプル・プログラムについては、Oracle Data Miningユーザーズ・ガイドを参照してください。
SELECT attribute_name, importance_value, rank FROM TABLE(DBMS_DATA_MINING.GET_MODEL_DETAILS_AI('AI_SH_sample')) ORDER BY RANK; ATTRIBUTE_NAME IMPORTANCE_VALUE RANK ---------------------------------------- ---------------- ---------- HOUSEHOLD_SIZE .151685183 1 CUST_MARITAL_STATUS .145294546 2 YRS_RESIDENCE .07838928 3 AGE .075027496 4 Y_BOX_GAMES .063039952 5 EDUCATION .059605314 6 HOME_THEATER_PACKAGE .056458722 7 OCCUPATION .054652937 8 CUST_GENDER .035264741 9 BOOKKEEPING_APPLICATION .019204751 10 PRINTER_SUPPLIES 0 11 OS_DOC_SET_KANJI -.00050013 12 FLAT_PANEL_MONITOR -.00509564 13 BULK_PACK_DISKETTES -.00540822 14 COUNTRY_NAME -.01201116 15 CUST_INCOME_LEVEL -.03951311 16
このテーブル・ファンクションは、期待値の最大化モデルによって生成されたクラスタに関する統計を表す行の集合を戻します。
デフォルトでは、EMアルゴリズムによってコンポーネントが上位レベルのクラスタへとグループ化されるため、GET_MODEL_DETAILS_EM
は上位レベルのクラスタのみを、その階層とともに戻します。または、EMを構成して、コンポーネントの上位レベルのクラスタへのグループ化を無効にできます。この場合、GET_MODEL_DETAILS_EM
は、これらのコンポーネント自体をクラスタとして、階層とともに戻します。表45-10「データ準備と分析用の期待値の最大化設定」を参照してください。
構文
DBMS_DATA_MINING.GET_MODEL_DETAILS_EM ( model_name VARCHAR2, cluster_id NUMBER DEFAULT NULL, attribute VARCHAR2 DEFAULT NULL, centroid NUMBER DEFAULT 1, histogram NUMBER DEFAULT 1, rules NUMBER DEFAULT 2, attribute_subname VARCHAR2 DEFAULT NULL, topn_attributes NUMBER DEFAULT NULL) RETURN DM_CLUSTERS PIPELINED;
パラメータ
表45-53 GET_MODEL_DETAILS_EMファンクションのパラメータ
パラメータ | 説明 |
---|---|
|
[schema_name.]model_nameの形式のモデル名。スキーマを指定しない場合は、独自のスキーマが使用されます。 |
|
モデル内のクラスタのID。指定したクラスタIDが有効な場合、そのクラスタのディテールのみが戻されます。そうでない場合は、すべてのクラスタのディテールが戻されます。 |
|
属性の名前。指定した属性名が有効な場合、その属性のディテールのみが戻されます。そうでない場合は、すべての属性のディテールが戻されます。 |
|
次の値を指定できます。
|
|
次の値を指定できます。
|
|
次の値を指定できます。
|
|
ネストした属性の名前。ネストした属性のフルネームの形式は、次のとおりです。
ここで、 |
|
セントロイド、ヒストグラムおよびルール・オブジェクトで戻される属性数を制限します。ルール内で最も高い信頼度の値を持つ ルールに含まれる属性の数が
|
戻り値
表45-54 GET_MODEL_DETAILS_EMファンクションの戻り値
戻り値 | 説明 |
---|---|
|
(id NUMBER, cluster_id VARCHAR2(4000), record_count NUMBER, parent NUMBER, tree_level NUMBER, dispersion NUMBER, split_predicate DM_PREDICATES, child DM_CHILDREN, centroid DM_CENTROIDS, histogram DM_HISTOGRAMS, rule DM_RULES) 注意: 期待値の最大化アルゴリズムでは、 |
(attribute_name VARCHAR2(4000), attribute_subname VARCHAR2(4000), conditional_operator CHAR(2) /*=,<>,<,>,<=,>=*/, attribute_num_value NUMBER, attribute_str_value VARCHAR2(4000), attribute_support NUMBER, attribute_confidence NUMBER) |
|
|
|
(attribute_name VARCHAR2(4000), attribute_subname VARCHAR2(4000), mean NUMBER, mode_value VARCHAR2(4000), variance NUMBER) |
|
(attribute_name VARCHAR2(4000), attribute_subname VARCHAR2(4000), bin_id NUMBER, lower_bound NUMBER, upper_bound NUMBER, label VARCHAR2(4000), count NUMBER) |
|
(rule_id INTEGER, antecedent DM_PREDICATES, consequent DM_PREDICATES, rule_support NUMBER, rule_confidence NUMBER, rule_lift NUMBER, antecedent_support NUMBER, consequent_support NUMBER, number_of_items INTEGER) |
|
(attribute_name VARCHAR2(4000), attribute_subname VARCHAR2(4000), conditional_operator CHAR(2) /*=,<>,<,>,<=,>=*/, attribute_num_value NUMBER, attribute_str_value VARCHAR2(4000), attribute_support NUMBER, attribute_confidence NUMBER) |
使用上の注意
このテーブル・ファンクションは、DM_CLUSTERS
タイプの行をパイプライン出力します。Data Miningのデータ・タイプと表ファンクションからのパイプ出力については、「データ・タイプ」を参照してください。
GET_MODEL_DETAILS
ファンクションは、作成プロセス中に適用された変換を自動的に元に戻すことによって、モデル透過性を保持します。このため、モデルのディテールに戻される属性は、モデル作成に使用された元の属性(または元の属性の近似値)となります。
クラスタ統計を無効にすると(EMCS_CLUSTER_STATISTICS
をEMCS_CLUS_STATS_DISABLE
に設定)、GET_MODEL_DETAILS_EM
はセントロイド、ヒストグラムまたはルールを戻しません。分類(階層)とクラスタ数のみが戻されます。
述語(DM_PREDICATE
)とルール(DM_RULE
)の説明については、「GET_ASSOCIATION_RULESファンクション」を参照してください。
このテーブル・ファンクションは、期待値の最大化モデルのパラメータに関するディテールを表す行の集合を戻します。
構文
DBMS_DATA_MINING.GET_MODEL_DETAILS_EM_COMP ( model_name VARCHAR2) RETURN DM_EM_COMPONENT_SET PIPELINED;
使用上の注意
このテーブル・ファンクションは、DM_EM_COMPONENT
タイプの行をパイプライン出力します。Data Miningのデータ・タイプと表ファンクションからのパイプ出力については、「データ・タイプ」を参照してください。
GET_MODEL_DETAILS_EM_COMP
によって戻された各行の列は次のとおりです。
DM_EM_COMPONENTの列 | 説明 |
---|---|
info_type |
行の情報タイプ。次の情報タイプがサポートされています。
|
component_id |
コンポーネントの一意の識別子 |
cluster_id |
各コンポーネントの上位レベルのリーフ・クラスタの一意の識別子 |
attribute_name |
元の属性の名前または導出された機能識別子。導出された機能識別子は、ネストした列を持つデータで作成されたモデルで使用されます。導出された機能の定義は、GET_MODEL_DETAILS_EM_PROJファンクションで取得できます。 |
covariate_name |
分散定義または共分散定義で使用される、元の属性の名前または導出された機能識別子。 |
attribute_value |
ビニングされた量的属性の質的値またはビン間隔。 |
value |
次のように、info_type の値に従って異なる情報がエンコーディングされます。
詳細は、「使用上の注意」の2を参照してください。 |
次の表に、それぞれのinfo_type
でどのフィールドを使用するかを示します。空白のセルはNULL
を表します。
info_type | component_id | cluster_id | attribute_name | covariate_name | attribute_value | value |
---|---|---|---|---|---|---|
cluster | X | X | ||||
prior | X | X | X | |||
mean | X | X | X | X | ||
covariance | X | X | X | X | X | |
frequency | X | X | X | X | X |
GET_MODEL_DETAILS
ファンクションは、作成プロセス中に適用された変換を自動的に元に戻すことによって、モデル透過性を保持します。このため、モデルのディテールに戻される属性は、モデル作成に使用された元の属性(または元の属性の近似値)となります。
このテーブル・ファンクションは、期待値の最大化モデルによって生成された予測に関する統計を表す行の集合を戻します。
構文
DBMS_DATA_MINING.GET_MODEL_DETAILS_EM_PROJ ( model_name VARCHAR2 ) RETURN DM_EM_PROJECTION_SET PIPELINED;
使用上の注意
このテーブル・ファンクションは、DM_EM_PROJECTION
タイプの行をパイプライン出力します。Data Miningのデータ・タイプと表ファンクションからのパイプ出力については、「データ・タイプ」を参照してください。
GET_MODEL_DETAILS_EM_PROJ
によって戻された各行の列は次のとおりです。
DM_EM_PROJECTIONの列 | 説明 |
---|---|
feature_name |
導出された機能の名前。この機能は、GET_MODEL_DETAILS_EMファンクションによって戻されたattribute_nameにマッピングされます。 |
attribute_name |
作成データ内の列の名前 |
attribute_subname |
ネストした列のサブ名 |
attribute_value |
質的値。 |
coefficient |
予測係数。データ表現はまばらなため、ゼロ以外の係数のみが戻されます。 |
GET_MODEL_DETAILS
ファンクションは、作成プロセス中に適用された変換を自動的に元に戻すことによって、モデル透過性を保持します。このため、モデルのディテールに戻される属性は、モデル作成に使用された元の属性(または元の属性の近似値)となります。
係数は元の属性ではなく、変換された属性に関連します。係数は、モデルのディテールに直接戻された場合、意味のある情報を表しません。係数が元の属性に関連するようにGET_MODEL_DETAILS_SVM
で変換する場合は、reverse_coef
パラメータを1に設定します。
このテーブル・ファンクションは、一般化線形モデルの係数統計を戻します。
線形回帰とロジスティック回帰の両方に対して同じ統計セットが戻されますが、マイニング機能に適用されない統計はNULL
として戻されます。詳細は、「使用上の注意」を参照してください。
戻り値
表45-60 GET_MODEL_DETAILS_GLMの戻り値
戻り値 | 説明 |
---|---|
|
(class VARCHAR2(4000), attribute_name VARCHAR2(4000), attribute_subname VARCHAR2(4000), attribute_value VARCHAR2(4000), feature_expression VARCHAR2(4000), coefficient NUMBER, std_error NUMBER, test_statistic NUMBER, p_value NUMBER, VIF NUMBER, std_coefficient NUMBER, lower_coeff_limit NUMBER, upper_coeff_limit NUMBER, exp_coefficient BINARY_DOUBLE, exp_lower_coeff_limit BINARY_DOUBLE, exp_upper_coeff_limit BINARY_DOUBLE) |
GET_MODEL_DETAILS_GLM
は、属性ごとの統計の行および切片用の追加の1行(属性名のNULL値で識別されます)を戻します。各行のデータ・タイプはDM_GLM_COEFF
です。統計については、表45-61で説明します。
表45-61 DM_GLM_COEFFデータ・タイプの説明
列 | 説明 |
---|---|
|
ロジスティック回帰の非参照ターゲット・クラス。このモデルは、このクラスの確率を予測するために作成されます。 その他のクラス(参照クラス)は、モデル設定 線形回帰の場合、 |
|
サブ名がない場合は属性名、サブ名がある場合は属性名の最初の部分。 切片の場合、 |
|
ネストした表の属性の名前。ネストした属性のフルネームの形式は、次のとおりです。
ここで、 属性がネストしていない場合、 |
|
属性の値(質的属性のみ)。 量的属性の場合、 |
|
特徴選択が有効な場合、アルゴリズムによって作成される特徴名です。特徴選択が有効でない場合、この特徴名は、単に完全修飾された属性名になります(属性がネストした列内にあるときは 質的属性では、次のような形式の特徴名が作成されます。
量的属性では、それぞれのコンポーネント属性から平均値を減算して、その結果の積を計算することで、上位の特徴の名前がアルゴリズムによって作成されます。 ( ここで、 |
|
線形係数推定値。 |
|
係数推定値の標準誤差。 |
|
線形回帰の場合、係数推定値のt値。 ロジスティック回帰の場合、係数推定値のWaldカイ二乗値。 |
|
|
|
分散拡大要因。切片の場合、この値はゼロです。ロジスティック回帰の場合、 |
|
係数の標準化推定値。 |
|
係数の信頼限界値の下限。 |
|
係数の信頼限界値の上限。 |
|
ロジスティック回帰の指数係数。線形回帰の場合、 |
|
ロジスティック回帰の場合、係数の信頼限界値の下限に対する指数係数。線形回帰の場合、 |
|
ロジスティック回帰の場合、係数の信頼限界値の指数係数。線形回帰の場合、 |
使用上の注意
各係数に対して、必ずしもすべての統計が戻されるわけではありません。次の場合、統計はNULLになります。
マイニング機能に適用されない場合。たとえば、exp_coefficient
は線形回帰には適用されません。
理論上、計算できない場合。たとえば、リッジ回帰が有効な場合、VIF(有効な場合)以外の統計を含めずに係数の値が戻されます。(リッジ回帰の詳細は、表45-14「GLMの設定」を参照してください。)
システム・リソースの制限が原因で計算できない場合。
値が無限大になる可能性がある場合。
例
次の例では、サンプル・プログラムdmglrdem.sql
で作成されたGLM回帰モデルGLMR_SH_Regr_sample
に関するモデルのディテールの一部が戻されます。サンプル・プログラムについては、Oracle Data Miningユーザーズ・ガイドを参照してください。
SQL> SELECT * FROM (SELECT class, attribute_name, attribute_value, coefficient, std_error FROM TABLE(dbms_data_mining.get_model_details_glm( 'GLMR_SH_Regr_sample')) ORDER BY class, attribute_name, attribute_value) WHERE ROWNUM < 11; CLASS ATTRIBUTE_NAME ATTRIBUTE_VALUE COEFFICIENT STD_ERROR --------- ------------------ ---------------- ----------- ---------- AFFINITY_CARD -.60686139 .531250033 BULK_PACK_DISKETTES -1.9729645 .924531227 COUNTRY_NAME Argentina -1.3340963 1.1942193 COUNTRY_NAME Australia -.340504 5.13688361 COUNTRY_NAME Brazil 5.3855269 1.93197882 COUNTRY_NAME Canada 4.13393291 2.41283125 COUNTRY_NAME China .74409259 3.59923638 COUNTRY_NAME Denmark -2.5287879 3.18569293 COUNTRY_NAME France -1.0908689 7.18471003 COUNTRY_NAME Germany -1.7472166 2.53689456
このテーブル・ファンクションは、モデル全体に関する統計を戻します。グローバルな詳細は、一般化線形モデル、相関ルール、特異値分解および期待値の最大化で使用できます。
構文
DBMS_DATA_MINING.GET_MODEL_DETAILS_GLOBAL ( model_name IN VARCHAR2) RETURN DM_MODEL_GLOBAL_DETAILS PIPELINED;
GLMのグローバルな詳細: 線形回帰
表45-64 線形回帰のグローバルな詳細
GLOBAL_DETAIL_NAME | 説明 |
---|---|
|
モデルの自由度。 |
|
モデルの平方和。 |
|
モデルの平均平方。 |
|
モデルのF値の統計。 |
|
モデルのF値の確率。 |
|
誤差の自由度。 |
|
誤差の平方和。 |
|
誤差の平均平方。 |
|
修正された総自由度。 |
|
修正された総平方和。 |
|
2乗平均平方根誤差。 |
|
依存平均。 |
|
変動係数。 |
|
R2乗。 |
|
調整済R2乗。 |
|
赤池情報量基準。 |
|
Schwarzのベイズ情報量基準。 |
|
予測の推定平均平方誤差。多変量正規性を想定しています。 |
|
HockingのSp統計。 |
|
JP統計(最終予測誤差)。 |
|
パラメータ数(切片を含む係数の数)。 |
|
行数。 |
|
モデルが収束したかどうか。収束した場合、値は |
|
有効な共分散行列。共分散行列が計算された場合、値は |
GLMのグローバルな詳細: ロジスティック回帰
表45-65 ロジスティック回帰のグローバルな詳細
GLOBAL_DETAIL_NAME | 説明 |
---|---|
|
切片のみのモデルの適合度に関する赤池の基準。 |
|
切片および共変量(予測子)モデルの適合度に関する赤池の基準。 |
|
切片のみのモデルの適合度に関するSchwarzの基準。 |
|
切片および共変量(予測子)モデルの適合度に関するSchwarzの基準。 |
|
切片のみのモデルの-2対数尤度。 |
|
モデルの-2対数尤度。 |
|
尤度比の自由度。 |
|
尤度比のカイ二乗値。 |
|
尤度比のカイ二乗確率値。 |
|
擬似R二乗(CoxおよびSnell) |
|
擬似R二乗(Nagelkerke) |
|
依存平均。 |
|
正確な予測の割合。 |
|
不正確に予測された行の割合。 |
|
両方のクラスの確率が同じケースの割合。 |
|
パラメータ数(切片を含む係数の数)。 |
|
行数。 |
|
モデルが収束したかどうか。収束した場合、値は |
|
有効な共分散行列。共分散行列が計算された場合、値は |
注意: リッジ回帰が有効な場合、戻されるグローバルな詳細がより少なくなります。リッジの詳細は、『Oracle Data Mining概要』を参照してください。 |
例
次の例では、サンプル・プログラムdmglrdem.sql
で作成されたGLM回帰モデルGLMR_SH_Regr_sample
に関するグローバルなモデルのディテールが戻されます。サンプル・プログラムについては、Oracle Data Miningユーザーズ・ガイドを参照してください。
SELECT * FROM TABLE(dbms_data_mining.get_model_details_global( 'GLMR_SH_Regr_sample')) ORDER BY global_detail_name; GLOBAL_DETAIL_NAME GLOBAL_DETAIL_VALUE ------------------------------ ------------------- ADJUSTED_R_SQUARE .731412557 AIC 5931.814 COEFF_VAR 18.1711243 CORRECTED_TOTAL_DF 1499 CORRECTED_TOT_SS 278740.504 DEPENDENT_MEAN 38.892 ERROR_DF 1433 ERROR_MEAN_SQUARE 49.9440956 ERROR_SUM_SQUARES 71569.8891 F_VALUE 62.8492452 GMSEP 52.280819 HOCKING_SP .034877162 J_P 52.1749319 MODEL_CONVERGED 1 MODEL_DF 66 MODEL_F_P_VALUE 0 MODEL_MEAN_SQUARE 3138.94871 MODEL_SUM_SQUARES 207170.615 NUM_PARAMS 67 NUM_ROWS 1500 ROOT_MEAN_SQ 7.06711367 R_SQ .743238288 SBIC 6287.79977 VALID_COVARIANCE_MATRIX 1
このテーブル・ファンクションは、k-Meansクラスタリング・モデルのディテールを表す行の集合を戻します。
モデルに関する特定の情報を要求するようにGET_MODEL_DETAILS_KM
の入力を指定すると、問合せのパフォーマンスが向上します。フィルタ・パラメータを指定しない場合、GET_MODEL_DETAILS_KM
はモデルに関するすべての情報を戻します。
構文
DBMS_DATA_MINING.GET_MODEL_DETAILS_KM ( model_name VARCHAR2, cluster_id NUMBER DEFAULT NULL, attribute VARCHAR2 DEFAULT NULL, centroid NUMBER DEFAULT 1, histogram NUMBER DEFAULT 1, rules NUMBER DEFAULT 2, attribute_subname VARCHAR2 DEFAULT NULL, topn_attributes NUMBER DEFAULT NULL) RETURN DM_CLUSTERS PIPELINED;
パラメータ
表45-69 GET_MODEL_DETAILS_KMファンクションのパラメータ
パラメータ | 説明 |
---|---|
|
[schema_name.]model_nameの形式のモデル名。スキーマを指定しない場合は、独自のスキーマが使用されます。 |
|
モデル内のクラスタのID。指定したクラスタIDが有効な場合、そのクラスタのディテールのみが戻されます。そうでない場合は、すべてのクラスタのディテールが戻されます。 |
|
属性の名前。指定した属性名が有効な場合、その属性のディテールのみが戻されます。そうでない場合は、すべての属性のディテールが戻されます。 |
|
次の値を指定できます。
|
|
次の値を指定できます。
|
|
次の値を指定できます。
|
|
ネストした属性の名前。ネストした属性のフルネームの形式は、次のとおりです。
ここで、 属性がネストしていない場合、 |
|
セントロイド、ヒストグラムおよびルール・オブジェクトで戻される属性数を制限します。ルール内で最も高い信頼度の値を持つ ルールに含まれる属性の数が
|
戻り値
表45-70 GET_MODEL_DETAILS_KMファンクションの戻り値
戻り値 | 説明 |
---|---|
|
(id NUMBER, cluster_id VARCHAR2(4000), record_count NUMBER, parent NUMBER, tree_level NUMBER, dispersion NUMBER, split_predicate DM_PREDICATES, child DM_CHILDREN, centroid DM_CENTROIDS, histogram DM_HISTOGRAMS, rule DM_RULE) |
(attribute_name VARCHAR2(4000), attribute_subname VARCHAR2(4000), conditional_operator CHAR(2) /*=,<>,<,>,<=,>=*/, attribute_num_value NUMBER, attribute_str_value VARCHAR2(4000), attribute_support NUMBER, attribute_confidence NUMBER) |
|
|
|
(attribute_name VARCHAR2(4000), attribute_subname VARCHAR2(4000), mean NUMBER, mode_value VARCHAR2(4000), variance NUMBER) |
|
(attribute_name VARCHAR2(4000), attribute_subname VARCHAR2(4000), bin_id NUMBER, lower_bound NUMBER, upper_bound NUMBER, label VARCHAR2(4000), count NUMBER) |
|
(rule_id INTEGER, antecedent DM_PREDICATES, consequent DM_PREDICATES, rule_support NUMBER, rule_confidence NUMBER, rule_lift NUMBER, antecedent_support NUMBER, consequent_support NUMBER, number_of_items INTEGER) |
|
(attribute_name VARCHAR2(4000), attribute_subname VARCHAR2(4000), conditional_operator CHAR(2)/*=,<>,<,>,<=,>=*/, attribute_num_value NUMBER, attribute_str_value VARCHAR2(4000), attribute_support NUMBER, attribute_confidence NUMBER) |
使用上の注意
このテーブル・ファンクションは、DM_CLUSTERS
タイプの行をパイプライン出力します。Data Miningのデータ・タイプと表ファンクションからのパイプ出力については、「データ・タイプ」を参照してください。
述語(DM_PREDICATE
)とルール(DM_RULE
)の説明については、「GET_ASSOCIATION_RULESファンクション」を参照してください。
例
次の例では、サンプル・プログラムdmkmdemo.sqlで作成されたk
-Meansクラスタリング・モデルKM_SH_Clus_sample
に関するモデルのディテールが戻されます。サンプル・プログラムについては、Oracle Data Miningユーザーズ・ガイドを参照してください。
SELECT T.id clu_id, T.record_count rec_cnt, T.parent parent, T.tree_level tree_level, T.dispersion dispersion FROM (SELECT * FROM TABLE(DBMS_DATA_MINING.GET_MODEL_DETAILS_KM( 'KM_SH_Clus_sample')) ORDER BY id) T WHERE ROWNUM < 6; CLU_ID REC_CNT PARENT TREE_LEVEL DISPERSION ---------- ---------- ---------- ---------- ---------- 1 1500 1 5.9152211 2 638 1 2 3.98458982 3 862 1 2 5.83732097 4 376 3 3 5.05192137 5 486 3 3 5.42901522
このテーブル・ファンクションは、Naive Bayesモデルのディテールを表す行の集合を戻します。
戻り値
表45-72 GET_MODEL_DETAILS_NBファンクションの戻り値
戻り値 | 説明 |
---|---|
|
(target_attribute_name VARCHAR2(30), target_attribute_str_value VARCHAR2(4000), target_attribute_num_value NUMBER, prior_probability NUMBER, conditionals DM_CONDITIONALS) |
(attribute_name VARCHAR2(4000), attribute_subname VARCHAR2(4000), attribute_str_value VARCHAR2(4000), attribute_num_value NUMBER, conditional_probability NUMBER) |
使用上の注意
このテーブル・ファンクションは、DM_NB_DETAILS
タイプの行をパイプライン出力します。Data Miningのデータ・タイプと表ファンクションからのパイプ出力については、「データ・タイプ」を参照してください。
例
次の問合せは、サンプル・プログラムdmnbdemo.sql
からのものです。モデルNB_SH_Clas_sample
に関するモデルのディテールを戻します。サンプル・プログラムについては、Oracle Data Miningユーザーズ・ガイドを参照してください。
この問合せは、トレーニング・データをビンに区分するために使用されたビン境界表からラベルを作成します。属性値をラベルに置き換えます。量的ビンの場合、ラベルは(
lower_boundary
,upper_boundary
]
で、質的ビンの場合、ラベルはそのラベルが表す値に一致します。(この質的ラベル表現の方法は、1つの値が1つのビンに対応する場合にのみ有効です。)ターゲットはビンに区分されませんでした。
WITH bin_label_view AS ( SELECT col, bin, (DECODE(bin,'1','[','(') || lv || ',' || val || ']') label FROM (SELECT col, bin, LAST_VALUE(val) OVER ( PARTITION BY col ORDER BY val ROWS BETWEEN UNBOUNDED PRECEDING AND 1 PRECEDING) lv, val FROM nb_sh_sample_num) UNION ALL SELECT col, bin, val label FROM nb_sh_sample_cat ), model_details AS ( SELECT T.target_attribute_name tname, NVL(TO_CHAR(T.target_attribute_num_value,T.target_attribute_str_value)) tval, C.attribute_name pname, NVL(L.label, NVL(C.attribute_str_value, C.attribute_num_value)) pval, T.prior_probability priorp, C.conditional_probability condp FROM TABLE(DBMS_DATA_MINING.GET_MODEL_DETAILS_NB('NB_SH_Clas_sample')) T, TABLE(T.conditionals) C, bin_label_view L WHERE C.attribute_name = L.col (+) AND (NVL(C.attribute_str_value,C.attribute_num_value) = L.bin(+)) ORDER BY 1,2,3,4,5,6 ) SELECT tname, tval, pname, pval, priorp, condp FROM model_details WHERE ROWNUM < 11; TNAME TVAL PNAME PVAL PRIORP CONDP -------------- ---- ------------------------- ------------- ------- ------- AFFINITY_CARD 0 AGE (24,30] .6500 .1714 AFFINITY_CARD 0 AGE (30,35] .6500 .1509 AFFINITY_CARD 0 AGE (35,40] .6500 .1125 AFFINITY_CARD 0 AGE (40,46] .6500 .1134 AFFINITY_CARD 0 AGE (46,53] .6500 .1071 AFFINITY_CARD 0 AGE (53,90] .6500 .1312 AFFINITY_CARD 0 AGE [17,24] .6500 .2134 AFFINITY_CARD 0 BOOKKEEPING_APPLICATION 0 .6500 .1500 AFFINITY_CARD 0 BOOKKEEPING_APPLICATION 1 .6500 .8500 AFFINITY_CARD 0 BULK_PACK_DISKETTES 0 .6500 .3670
このテーブル・ファンクションは、Non-Negative Matrix Factorizationモデルのディテールを表す行の集合を戻します。
構文
DBMS_DATA_MINING.GET_MODEL_DETAILS_NMF ( model_name IN VARCHAR2) RETURN DM_NMF_FEATURE_SET PIPELINED;
戻り値
表45-74 GET_MODEL_DETAILS_NMFファンクションの戻り値
戻り値 | 説明 |
---|---|
|
(feature_id NUMBER, mapped_feature_id VARCHAR2(4000), attribute_set DM_NMF_ATTRIBUTE_SET) |
(attribute_name VARCHAR2(4000), attribute_subname VARCHAR2(4000), attribute_value VARCHAR2(4000), coefficient NUMBER) |
使用上の注意
このテーブル・ファンクションは、DM_NMF_FEATURE_SET
タイプの行をパイプライン出力します。Data Miningのデータ・タイプと表ファンクションからのパイプ出力については、「データ・タイプ」を参照してください。
例
次の例では、サンプル・プログラムdmnmdemo.sql
で作成された特徴抽出モデルNMF_SH_Sample
に関するモデルのディテールが戻されます。サンプル・プログラムについては、Oracle Data Miningユーザーズ・ガイドを参照してください。
SELECT * FROM ( SELECT F.feature_id, A.attribute_name, A.attribute_value, A.coefficient FROM TABLE(DBMS_DATA_MINING.GET_MODEL_DETAILS_NMF('NMF_SH_Sample')) F, TABLE(F.attribute_set) A ORDER BY feature_id,attribute_name,attribute_value ) WHERE ROWNUM < 11; FEATURE_ID ATTRIBUTE_NAME ATTRIBUTE_VALUE COEFFICIENT --------- ----------------------- ---------------- ------------------- 1 AFFINITY_CARD .051208078859308 1 AGE .0390513260041573 1 BOOKKEEPING_APPLICATION .0512734004239326 1 BULK_PACK_DISKETTES .232471260895683 1 COUNTRY_NAME Argentina .00766817464479959 1 COUNTRY_NAME Australia .000157637881096675 1 COUNTRY_NAME Brazil .0031409632415604 1 COUNTRY_NAME Canada .00144213099311427 1 COUNTRY_NAME China .000102279310968754 1 COUNTRY_NAME Denmark .000242424084307513
このテーブル・ファンクションは、O-Clusterクラスタリング・モデルのディテールを表す行の集合を戻します。戻り値の行集合は、モデルの作成時に生成されたクラスタリング・パターンを列挙しています。
モデルに関する特定の情報を要求するようにGET_MODEL_DETAILS_OC
の入力を指定すると、問合せのパフォーマンスが向上します。フィルタ・パラメータを指定しない場合、GET_MODEL_DETAILS_OC
はモデルに関するすべての情報を戻します。
構文
DBMS_DATA_MINING.GET_MODEL_DETAILS_OC ( model_name VARCHAR2, cluster_id NUMBER DEFAULT NULL, attribute VARCHAR2 DEFAULT NULL, centroid NUMBER DEFAULT 1, histogram NUMBER DEFAULT 1, rules NUMBER DEFAULT 2, topn_attributes NUMBER DEFAULT NULL) RETURN DM_CLUSTERS PIPELINED;
パラメータ
表45-75 GET_MODEL_DETAILS_OCファンクションのパラメータ
パラメータ | 説明 |
---|---|
|
[schema_name.]model_nameの形式のモデル名。スキーマを指定しない場合は、独自のスキーマが使用されます。 |
|
モデル内のクラスタのID。指定したクラスタIDが有効な場合、そのクラスタのディテールのみが戻されます。そうでない場合は、すべてのクラスタのディテールが戻されます。 |
|
属性の名前。指定した属性名が有効な場合、その属性のディテールのみが戻されます。そうでない場合は、すべての属性のディテールが戻されます。 |
|
次の値を指定できます。
|
|
次の値を指定できます。
|
|
次の値を指定できます。
|
|
セントロイド、ヒストグラムおよびルール・オブジェクトで戻される属性数を制限します。ルール内で最も高い信頼度の値を持つ ルールに含まれる属性の数が
|
戻り値
表45-76 GET_MODEL_DETAILS_OCファンクションの戻り値
戻り値 | 説明 |
---|---|
|
(id NUMBER, cluster_id VARCHAR2(4000), record_count NUMBER, parent NUMBER, tree_level NUMBER, dispersion NUMBER, split_predicate DM_PREDICATES, child DM_CHILDREN, centroid DM_CENTROIDS, histogram DM_HISTOGRAMS, rule DM_RULE) |
(attribute_name VARCHAR2(4000), attribute_subname VARCHAR2(4000), conditional_operator CHAR(2) /*=,<>,<,>,<=,>=*/, attribute_num_value NUMBER, attribute_str_value VARCHAR2(4000), attribute_support NUMBER, attribute_confidence NUMBER) |
|
|
|
(attribute_name VARCHAR2(4000), attribute_subname VARCHAR2(4000), mean NUMBER, mode_value VARCHAR2(4000), variance NUMBER) |
|
(attribute_name VARCHAR2(4000), attribute_subname VARCHAR2(4000), bin_id NUMBER, lower_bound NUMBER, upper_bound NUMBER, label VARCHAR2(4000), count NUMBER) |
|
(rule_id INTEGER, antecedent DM_PREDICATES, consequent DM_PREDICATES, rule_support NUMBER, rule_confidence NUMBER, rule_lift NUMBER, antecedent_support NUMBER, consequent_support NUMBER, number_of_items INTEGER) |
|
(attribute_name VARCHAR2(4000), attribute_subname VARCHAR2(4000), conditional_operator CHAR(2)/*=,<>,<,>,<=,>=*/, attribute_num_value NUMBER, attribute_str_value VARCHAR2(4000), attribute_support NUMBER, attribute_confidence NUMBER) |
使用上の注意
このテーブル・ファンクションは、DM_CLUSTER
タイプの行をパイプライン出力します。Data Miningのデータ・タイプと表ファンクションからのパイプ出力については、「データ・タイプ」を参照してください。
述語(DM_PREDICATE
)とルール(DM_RULE
)の説明については、「GET_ASSOCIATION_RULESファンクション」を参照してください。
例
次の例では、サンプル・プログラムdmocdemo.sql
で作成されたクラスタリング・モデルOC_SH_Clus_sample
に関するモデルのディテールが戻されます。サンプル・プログラムについては、Oracle Data Miningユーザーズ・ガイドを参照してください。
この例の各クラスタの分割述語は、モデル作成時にクラスタの子にレコードを割り当てるために使用される属性および条件を示します。クラスタ内に移入されたデータをより小さい2つのクラスタに分割する方法に関する重要な情報を提供します。
SELECT clu_id, attribute_name, op, s_value FROM (SELECT a.id clu_id, sp.attribute_name, sp.conditional_operator op, sp.attribute_str_value s_value FROM TABLE(DBMS_DATA_MINING.GET_MODEL_DETAILS_OC( 'OC_SH_Clus_sample')) a, TABLE(a.split_predicate) sp ORDER BY a.id, op, s_value) WHERE ROWNUM < 11; CLU_ID ATTRIBUTE_NAME OP S_VALUE ----------- -------------------- --------------------------------- 1 OCCUPATION IN ? 1 OCCUPATION IN Armed-F 1 OCCUPATION IN Cleric. 1 OCCUPATION IN Crafts 2 OCCUPATION IN ? 2 OCCUPATION IN Armed-F 2 OCCUPATION IN Cleric. 3 OCCUPATION IN Exec. 3 OCCUPATION IN Farming 3 OCCUPATION IN Handler
このテーブル・ファンクションは、特異値分解モデルに関するディテールを表す行の集合を戻します。
構文
DBMS_DATA_MINING.GET_MODEL_DETAILS_SVD ( model_name VARCHAR2, matrix_type VARCHAR2 DEFAULT NULL) RETURN DM_SVD_MATRIX_SET PIPELINED;
パラメータ
表45-77 GET_MODEL_DETAILS_SVDファンクションのパラメータ
パラメータ | 説明 |
---|---|
|
[schema_name.]model_nameの形式のモデル名。スキーマを指定しない場合は、独自のスキーマが使用されます。 |
|
3つのSVDマトリックス・タイプのどれを戻すかを指定します。値は、 Uマトリックスは、 |
戻り値
表45-78 GET_MODEL_DETAILS_SVDファンクションの戻り値
戻り値 | 説明 |
---|---|
|
(matrix_type CHAR(1), feature_id NUMBER, mapped_feature_id VARCHAR2(4000), attribute_name VARCHAR2(4000), attribute_subname VARCHAR2(4000), case_id VARCHAR2(4000), value NUMBER, variance NUMBER, pct_cum_variance NUMBER) 詳細は、「使用上の注意」を参照してください。 |
使用上の注意
このテーブル・ファンクションは、DM_SVD_MATRIX
タイプの行をパイプライン出力します。Data Miningのデータ・タイプと表ファンクションからのパイプ出力については、「データ・タイプ」を参照してください。
GET_MODEL_DETAILS_SVD
によって戻された各行の列は次のとおりです。
DM_SVD_MATRIX_SETの列 | 説明 |
---|---|
matrix_type |
マトリックスのタイプ。指定可能な値は、S、VおよびUです。このフィールドはNULLにはなりません。 |
feature_id |
マトリックスが参照する機能。 |
mapped_feature_id |
機能の説明的な名前。 |
attribute_name |
Vマトリックスのコンポーネント・ベースにおける列名。このフィールドは、SマトリックスとUマトリックスではNULLになります。 |
attribute_subname |
Vマトリックスのコンポーネント・ベースにおけるサブ名。ネストした列にのみ適用されます。このフィールドは、SマトリックスとUマトリックスではNULLになります。 |
case_id |
Uマトリックス予測によって記述される作成データ内にある、一意の行識別子。このフィールドは、SマトリックスとVマトリックスではNULLになります。 |
value |
マトリックスの入力値。 |
variance |
コンポーネントに記述された分散値。Sマトリックスの入力値でのみNULLではありません。 |
pct_cum_variance |
コンポーネントに記述された分散の累積率。コンポーネントは、記述した分散値に従って降順でランク付けされます。 |
GET_MODEL_DETAILS
では、離散した値が出力されます。ゼロの値は戻されません。Sマトリックスの対角要素、Vマトリックス・ベースのゼロ以外の係数、およびゼロ以外のUマトリックス予測のみが戻されます。
例外は、データ行によってゼロ以外のUマトリックス予測が生成されなかった場合です。この場合、その行のケースIDが戻されますが、機能識別子とその値はNULLになります。これは、元のデータのレコードが失われないようにするためです。
GET_MODEL_DETAILS
ファンクションは、作成プロセス中に適用された変換を自動的に元に戻すことによって、モデル透過性を保持します。このため、モデルのディテールに戻される属性は、モデル作成に使用された元の属性(または元の属性の近似値)となります。
このテーブル・ファンクションは、線形サポート・ベクター・マシン(SVM)モデルのディテールを表す行の集合を戻します。非線形SVMに対して起動された場合は、ORA-40215
を戻します。
線形SVMモデルでは、ゼロ以外の係数のみが格納されます。これにより記憶域が削減され、モデルをロードする速度が上がります。その結果、GET_MODEL_DETAILS_SVM
で戻される係数のリストに属性がない場合、この属性の係数はゼロとして解釈されます。
構文
DBMS_DATA_MINING.GET_MODEL_DETAILS_SVM ( model_name VARCHAR2, reverse_coef NUMBER DEFAULT 0) RETURN DM_SVM_LINEAR_COEFF_SET PIPELINED;
パラメータ
表45-79 GET_MODEL_DETAILS_SVMファンクションのパラメータ
パラメータ | 説明 |
---|---|
|
[schema_name.]model_nameの形式のモデル名。スキーマを指定しない場合は、独自のスキーマが使用されます。 |
|
詳細は、「使用上の注意」の4を参照してください。 |
戻り値
表45-80 GET_MODEL_DETAILS_SVMファンクションの戻り値
戻り値 | 説明 |
---|---|
|
(class VARCHAR2(4000), attribute_set DM_SVM_ATTRIBUTE_SET) |
(attribute_name VARCHAR2(4000), attribute_subname VARCHAR2(4000), attribute_value VARCHAR2(4000), coefficient NUMBER) 詳細は、「使用上の注意」を参照してください。 |
使用上の注意
このテーブル・ファンクションは、DM_SVM_LINEAR_COEFF
タイプの行をパイプライン出力します。Data Miningのデータ・タイプと表ファンクションからのパイプ出力については、「データ・タイプ」を参照してください。
DM_SVM_LINEAR_COEFF
のclass
列には分類ターゲット値が含まれています。SVM回帰モデルの場合、class
はNULLです。個々の分類ターゲット値の場合は、係数の集合が戻されます。バイナリ分類モデル、1クラス分類モデルおよび回帰モデルの場合は、係数の単一集合のみが戻されます。
DM_SVM_ATTRIBUTE_SET
のattribute_value
列は、質的属性で使用されます。
GET_MODEL_DETAILS
ファンクションは、作成プロセス中に適用された変換を自動的に元に戻すことによって、モデル透過性を保持します。このため、モデルのディテールに戻される属性は、モデル作成に使用された元の属性(または元の属性の近似値)となります。
係数は元の属性ではなく、変換された属性に関連します。係数は、モデルのディテールに直接戻された場合、意味のある情報を表しません。係数が元の属性に関連するようにGET_MODEL_DETAILS_SVM
で変換する場合は、reverse_coef
パラメータを1に設定します。
例
次の例では、サンプル・プログラムdmsvcdem.sql
で作成されたSVM分類モデルSVMC_SH_Clas_sample
に関するモデルのディテールが戻されます。サンプル・プログラムについては、Oracle Data Miningユーザーズ・ガイドを参照してください。
WITH mod_dtls AS ( SELECT * FROM TABLE(DBMS_DATA_MINING.GET_MODEL_DETAILS_SVM('SVMC_SH_Clas_sample')) ), model_details AS ( SELECT D.class, A.attribute_name, A.attribute_value, A.coefficient FROM mod_dtls D, TABLE(D.attribute_set) A ORDER BY D.class, ABS(A.coefficient) DESC ) SELECT class, attribute_name aname, attribute_value aval, coefficient coeff FROM model_details WHERE ROWNUM < 11; CLASS ANAME AVAL COEFF ---------- ------------------------- ------------------------- ----- 1 -2.85 1 BOOKKEEPING_APPLICATION 1.11 1 OCCUPATION Other -.94 1 HOUSEHOLD_SIZE 4-5 .88 1 CUST_MARITAL_STATUS Married .82 1 YRS_RESIDENCE .76 1 HOUSEHOLD_SIZE 6-8 -.74 1 OCCUPATION Exec. .71 1 EDUCATION 11th -.71 1 EDUCATION Masters .63
このファンクションは、ディシジョン・ツリー・モデルのディテールを示すXMLオブジェクトを戻します。
戻り値
表45-82 GET_MODEL_DETAILS_XMLファンクションの戻り値
戻り値 | 説明 |
---|---|
|
ディシジョン・ツリー・モデルのXML定義。詳細は、第285章「XMLTYPE」を参照してください。 XMLは、Data Mining Group Predictive Model Markup Language(PMML)バージョン2.1の仕様に準拠しています。この仕様については、 |
例
SQL*Plusの次の文は、ディシジョン・ツリー・モデルdt_sh_clas_sample
の詳細を戻します。このモデルは、Oracle Database Examplesにより提供されるデータ・マイニングのサンプル・プログラムであるプログラムdmdtdemo.sql
で作成されます。
注意: XML出力に表示される「"」文字は、SQL*Plusの動作の結果です。適切な形式でXMLを表示するには、ファイルに切り取って貼り付け、ファイルをブラウザで開きます。
column dt_details format a320 SELECT dbms_data_mining.get_model_details_xml('dt_sh_clas_sample') AS DT_DETAILS FROM dual; DT_DETAILS -------------------------------------------------------------------------------- <PMML version="2.1"> <Header copyright="Copyright (c) 2004, Oracle Corporation. All rights reserved."/> <DataDictionary numberOfFields="9"> <DataField name="AFFINITY_CARD" optype="categorical"/> <DataField name="AGE" optype="continuous"/> <DataField name="BOOKKEEPING_APPLICATION" optype="continuous"/> <DataField name="CUST_MARITAL_STATUS" optype="categorical"/> <DataField name="EDUCATION" optype="categorical"/> <DataField name="HOUSEHOLD_SIZE" optype="categorical"/> <DataField name="OCCUPATION" optype="categorical"/> <DataField name="YRS_RESIDENCE" optype="continuous"/> <DataField name="Y_BOX_GAMES" optype="continuous"/> </DataDictionary> <TreeModel modelName="DT_SH_CLAS_SAMPLE" functionName="classification" splitCharacteristic="binarySplit"> <Extension name="buildSettings"> <Setting name="TREE_IMPURITY_METRIC" value="TREE_IMPURITY_GINI"/> <Setting name="TREE_TERM_MAX_DEPTH" value="7"/> <Setting name="TREE_TERM_MINPCT_NODE" value=".05"/> <Setting name="TREE_TERM_MINPCT_SPLIT" value=".1"/> <Setting name="TREE_TERM_MINREC_NODE" value="10"/> <Setting name="TREE_TERM_MINREC_SPLIT" value="20"/> <costMatrix> <costElement> <actualValue>0</actualValue> <predictedValue>0</predictedValue> <cost>0</cost> </costElement> <costElement> <actualValue>0</actualValue> <predictedValue>1</predictedValue> <cost>1</cost> </costElement> <costElement> <actualValue>1</actualValue> <predictedValue>0</predictedValue> <cost>8</cost> </costElement> <costElement> <actualValue>1</actualValue> <predictedValue>1</predictedValue> <cost>0</cost> </costElement> </costMatrix> </Extension> <MiningSchema> . . . . . . </Node> </Node> </TreeModel> </PMML>
このファンクションは、指定したモデルに埋め込まれた変換式を戻します。
構文
DBMS_DATA_MINING.GET_MODEL_TRANSFORMATIONS ( model_name IN VARCHAR2) RETURN DM_TRANSFORMS PIPELINED;
例
この例では、SH.CUSTOMERS
テーブルのいくつかの列をNaive Bayesモデルの作成に使用します。それらの列のいずれかに変換式が指定されています。このモデルではADPは使用されません。
CREATE OR REPLACE VIEW mining_data AS SELECT cust_id, cust_year_of_birth, cust_income_level,cust_credit_limit FROM sh.customers; describe mining_data Name Null? Type -------------------------------------- -------- -------------------------- CUST_ID NOT NULL NUMBER CUST_YEAR_OF_BIRTH NOT NULL NUMBER(4) CUST_INCOME_LEVEL VARCHAR2(30) CUST_CREDIT_LIMIT NUMBER CREATE TABLE settings_nb( setting_name VARCHAR2(30), setting_value VARCHAR2(30)); BEGIN INSERT INTO settings_nb (setting_name, setting_value) VALUES (dbms_data_mining.algo_name, dbms_data_mining.algo_naive_bayes); INSERT INTO settings_nb (setting_name, setting_value) VALUES (dbms_data_mining.prep_auto, dbms_data_mining.prep_auto_off); COMMIT; END; / DECLARE mining_data_xforms dbms_data_mining_transform.TRANSFORM_LIST; BEGIN dbms_data_mining_transform.SET_TRANSFORM ( xform_list => mining_data_xforms, attribute_name => 'cust_year_of_birth', attribute_subname => null, expression => 'cust_year_of_birth + 10', reverse_expression => 'cust_year_of_birth - 10'); dbms_data_mining.CREATE_MODEL ( model_name => 'new_model', mining_function => dbms_data_mining.classification, data_table_name => 'mining_data', case_id_column_name => 'cust_id', target_column_name => 'cust_income_level', settings_table_name => 'settings_nb', data_schema_name => nulL, settings_schema_name => null, xform_list => mining_data_xforms ); END; / SELECT attribute_name, TO_CHAR(expression), TO_CHAR(reverse_expression) FROM TABLE (dbms_data_mining.GET_MODEL_TRANSFORMATIONS('new_model')); ATTRIBUTE_NAME TO_CHAR(EXPRESSION) TO_CHAR(REVERSE_EXPRESSION) ------------------ ------------------------ ----------------------------- CUST_YEAR_OF_BIRTH cust_year_of_birth + 10 cust_year_of_birth - 10
このプロシージャは、DM_TRANSFORMS
と指定された変換式を、モデルの作成時に使用できる変換リスト(TRANSFORM_LIST
)に変換します。DM_TRANSFORMS
はGET_MODEL_TRANSFORMATIONS
ファンクションによって戻されます。
DBMS_DATA_MINING_TRANSFORM
パッケージのルーチンを使用して変換リストを作成することもできます。
構文
DBMS_DATA_MINING.GET_TRANSFORM_LIST ( xform_list OUT NOCOPY TRANSFORM_LIST, model_xforms IN DM_TRANSFORMS);
パラメータ
表45-85 GET_TRANSFORM_LISTプロシージャのパラメータ
パラメータ | 説明 |
---|---|
|
モデルに埋め込むことができる変換の仕様のリスト。CREATE_MODELプロシージャでパラメータとして使用されます。
attribute_name VARCHAR2(30) attribute_subname VARCHAR2(4000) expression EXPRESSION_REC reverse_expression EXPRESSION_REC attribute_spec VARCHAR2(4000)
|
|
特定のモデルに対してGET_MODEL_TRANSFORMATIONSファンクションで戻される埋め込まれた変換式のリスト。
attribute_name VARCHAR2(4000) attribute_subname VARCHAR2(4000) expression CLOB reverse_expression CLOB |
例
この例では、SH.CUSTOMERS
テーブルのいくつかの列を使用してモデルmod1
を調整します。このモデルでは、いずれかの列を自動的にビンに区分するADPが使用されます。
2つ目のモデルmod2
では、ADPを使用せずに同じデータを調整しますが、mod1
から取得した変換リストは使用します。結果として、mod1
とmod2
の両方に同じ変換式が埋め込まれます。
CREATE OR REPLACE VIEW mining_data AS SELECT cust_id, cust_year_of_birth, cust_income_level, cust_credit_limit FROM sh.customers; describe mining_data Name Null? Type ----------------------------------------- -------- ---------------------------- CUST_ID NOT NULL NUMBER CUST_YEAR_OF_BIRTH NOT NULL NUMBER(4) CUST_INCOME_LEVEL VARCHAR2(30) CUST_CREDIT_LIMIT NUMBER CREATE TABLE setmod1(setting_name VARCHAR2(30),setting_value VARCHAR2(30)); BEGIN INSERT INTO setmod1 VALUES (dbms_data_mining.algo_name, dbms_data_mining.algo_naive_bayes); INSERT INTO setmod1 VALUES (dbms_data_mining.prep_auto,dbms_data_mining.prep_auto_on); dbms_data_mining.CREATE_MODEL ( model_name => 'mod1', mining_function => dbms_data_mining.classification, data_table_name => 'mining_data', case_id_column_name => 'cust_id', target_column_name => 'cust_income_level', settings_table_name => 'setmod1'); COMMIT; END; / CREATE TABLE setmod2(setting_name VARCHAR2(30),setting_value VARCHAR2(30)); BEGIN INSERT INTO setmod2 VALUES (dbms_data_mining.algo_name, dbms_data_mining.algo_naive_bayes); COMMIT; END; / DECLARE v_xform_list dbms_data_mining_transform.TRANSFORM_LIST; dmxf DM_TRANSFORMS; BEGIN EXECUTE IMMEDIATE 'SELECT dm_transform(attribute_name, attribute_subname,expression, reverse_expression) FROM TABLE(dbms_data_mining.GET_MODEL_TRANSFORMATIONS (''mod1''))' BULK COLLECT INTO dmxf; dbms_data_mining.GET_TRANSFORM_LIST ( xform_list => v_xform_list, model_xforms => dmxf); dbms_data_mining.CREATE_MODEL( model_name => 'mod2', mining_function => dbms_data_mining.classification, data_table_name => 'mining_data', case_id_column_name => 'cust_id', target_column_name => 'cust_income_level', settings_table_name => 'setmod2', xform_list => v_xform_list); END; / -- Transformation expression embedded in mod1 SELECT TO_CHAR(expression) FROM TABLE (dbms_data_mining.GET_MODEL_TRANSFORMATIONS('mod1')); TO_CHAR(EXPRESSION) -------------------------------------------------------------------------------- CASE WHEN "CUST_YEAR_OF_BIRTH"<1915 THEN 0 WHEN "CUST_YEAR_OF_BIRTH"<=1915 THEN 0 WHEN "CUST_YEAR_OF_BIRTH"<=1920.5 THEN 1 WHEN "CUST_YEAR_OF_BIRTH"<=1924.5 THEN 2 . . . .5 THEN 29 WHEN "CUST_YEAR_OF_BIRTH" IS NOT NULL THEN 30 END -- Transformation expression embedded in mod2 SELECT TO_CHAR(expression) FROM TABLE (dbms_data_mining.GET_MODEL_TRANSFORMATIONS('mod2')); TO_CHAR(EXPRESSION) -------------------------------------------------------------------------------- CASE WHEN "CUST_YEAR_OF_BIRTH"<1915 THEN 0 WHEN "CUST_YEAR_OF_BIRTH"<=1915 THEN 0 WHEN "CUST_YEAR_OF_BIRTH"<=1920.5 THEN 1 WHEN "CUST_YEAR_OF_BIRTH"<=1924.5 THEN 2 . . . .5 THEN 29 WHEN "CUST_YEAR_OF_BIRTH" IS NOT NULL THEN 30 END -- Reverse transformation expression embedded in mod1 SELECT TO_CHAR(reverse_expression)FROM TABLE (dbms_data_mining.GET_MODEL_TRANSFORMATIONS('mod1')); TO_CHAR(REVERSE_EXPRESSION) -------------------------------------------------------------------------------- DECODE("CUST_YEAR_OF_BIRTH",0,'( ; 1915), [1915; 1915]',1,'(1915; 1920.5]',2,'(1 920.5; 1924.5]',3,'(1924.5; 1928.5]',4,'(1928.5; 1932.5]',5,'(1932.5; 1936.5]',6 . . . 8,'(1987.5; 1988.5]',29,'(1988.5; 1989.5]',30,'(1989.5; )',NULL,'NULL') -- Reverse transformation expression embedded in mod2 SELECT TO_CHAR(reverse_expression) FROM TABLE (dbms_data_mining.GET_MODEL_TRANSFORMATIONS('mod2')); TO_CHAR(REVERSE_EXPRESSION) -------------------------------------------------------------------------------- DECODE("CUST_YEAR_OF_BIRTH",0,'( ; 1915), [1915; 1915]',1,'(1915; 1920.5]',2,'(1 920.5; 1924.5]',3,'(1924.5; 1928.5]',4,'(1928.5; 1932.5]',5,'(1932.5; 1936.5]',6 . . . 8,'(1987.5; 1988.5]',29,'(1988.5; 1989.5]',30,'(1989.5; )',NULL,'NULL')
このプロシージャは、1つ以上のデータ・マイニング・モデルをインポートします。このプロシージャはオーバーロードされています。このプロシージャをコールして、ダンプ・ファイル・セットからマイニング・モデルをインポートするか、PMML文書から単一のマイニング・モデルをインポートすることができます。
ダンプ・ファイル・セットからのインポート
EXPORT_MODELプロシージャによって作成されたダンプ・ファイル・セットからマイニング・モデルをインポートできます。IMPORT_MODEL
およびEXPORT_MODEL
では、ダンプ・ファイル・セットへのエクスポートとダンプ・ファイル・セットからのインポートにOracle Data Pumpテクノロジが使用されています。
Oracle Data Pumpを直接使用してスキーマ全体またはデータベース全体をエクスポートまたはインポートする場合、そのスキーマまたはデータベースのマイニング・モデルが含められます。EXPORT_MODEL
およびIMPORT_MODEL
では、マイニング・モデルのみがエクスポートおよびインポートされます。
PMMLからのインポート
Predictive Model Markup Language(PMML)で表現されたマイニング・モデルをインポートできます。モデルのタイプは、RegressionModel
(線形回帰またはバイナリ・ロジスティック回帰)である必要があります。
PMMLは、Data Mining Group(http://www.dmg.org
)によって策定されたXMLベースの規格です。PMMLに準拠しているアプリケーションは、任意のベンダーによって作成されたPMML準拠のモデルをデプロイできます。Oracle Data Miningでは、回帰モデルに対応するPMML 3.1のコア機能がサポートされます。
関連項目: マイニング・モデルのエクスポートおよびインポートの詳細は、Oracle Data Miningユーザーズ・ガイドを参照してください。 Oracle Data Pumpの詳細は、『Oracle Databaseユーティリティ』を参照してください。 PMMLの詳細は、 |
構文
ダンプ・ファイル・セットからのマイニング・モデルのインポート:
DBMS_DATA_MINING.IMPORT_MODEL ( filename IN VARCHAR2, directory IN VARCHAR2, model_filter IN VARCHAR2 DEFAULT NULL, operation IN VARCHAR2 DEFAULT NULL, remote_link IN VARCHAR2 DEFAULT NULL, jobname IN VARCHAR2 DEFAULT NULL, schema_remap IN VARCHAR2 DEFAULT NULL, tablespace_remap IN VARCHAR2 DEFAULT NULL);
PMML文書からのマイニング・モデルのインポート:
DBMS_DATA_MINING.IMPORT_MODEL ( model_name IN VARCHAR2, pmmldoc IN XMLTYPE strict_check IN BOOLEAN DEFAULT FALSE);
パラメータ
表45-86 IMPORT_MODELプロシージャのパラメータ
パラメータ | 説明 |
---|---|
|
モデルのインポート元のダンプ・ファイル・セットの名前。ダンプ・ファイル・セットは、 ダンプ・ファイル・セットには1つ以上のファイルを保存できます。(詳細は、「EXPORT_MODELプロシージャ」を参照。)ダンプ・ファイル・セット内に複数のダンプ・ファイルが存在する場合は、ファイルを列挙するかわりに |
|
ダンプ・ファイル・セットの場所を指定する、事前定義済のディレクトリ・オブジェクトの名前。エクスポートするユーザーとインポートするユーザーには、このディレクトリ・オブジェクト、およびこのディレクトリ・オブジェクトによって指定されるファイル・システム・ディレクトリに対する読取り/書込みアクセス権が必要です。 注意: ターゲット・データベースにも、このファイル・システム・ディレクトリに対する読取り/書込みアクセス権が必要です。 |
|
インポートする1つ以上のモデルを指定するパラメータ。
'mymodel1' 'name IN (''mymodel2'',''mymodel3'')' 1行目では、 |
|
モデルをインポートするか、モデルを作成するSQL文をインポートするかを指定するパラメータ(オプション)。デフォルトでは、モデルがインポートされます。
|
|
リモート・システムへのデータベース・リンクの名前を指定するオプション・パラメータ。デフォルト値は |
|
インポート・ジョブの名前を指定するパラメータ(オプション)。デフォルトでは、 ジョブ名を指定する場合は、スキーマ内で一意の名前を指定する必要があります。ジョブ名の最大長は30文字です。 インポート・ジョブのログ・ファイルが、 |
|
別のスキーマにインポートするためのパラメータ(オプション)。デフォルトでは、モデルのエクスポートとインポートは同じスキーマ内で行われます。 ダンプ・ファイル・セットが別のスキーマに属している場合は、 注意: 別のスキーマからモデルをインポートする際に、 |
|
別の表領域にインポートするためのパラメータ(オプション)。デフォルトでは、モデルのエクスポートとインポートは同じ表領域内で行われます。 ダンプ・ファイル・セットが別の表領域に属している場合は、 注意: 別の表領域からモデルをインポートする際に、 |
|
PMMLからのインポートの結果としてデータベースに作成される新規モデルの名前。この名前は、ユーザーのスキーマ内で一意である必要があります。 |
|
インポート対象のモデルを表現したPMML文書。PMML文書には、 |
|
PMML文書にコアPMMLの一部ではないセクション(例: 出力またはターゲット)が含まれる場合、エラーが発生するかどうか。Oracle Data Miningでは、コアPMMLのみがサポートされています。コア以外の機能は、スコアリング表現に影響を与える可能性があります。 PMMLがコアPMMLに厳密に準拠していないのに |
例
この例では、dmuser2
スキーマ内でモデルのエクスポートとインポートを行っています。次に、同じモデルをdmuser3
スキーマにインポートしています。dmuser3
ユーザーには、IMP_FULL_DATABASE
権限があります。dmuser2
ユーザーにはUSER2
表領域が割り当てられ、dmuser3
にはUSER3
表領域が割り当てられます。
SQL> connect dmuser2 Enter password:dmuser2_password
Connected. SQL> select model_name from user_mining_models; MODEL_NAME ------------------------------ NMF_SH_SAMPLE SVMO_SH_CLAS_SAMPLE SVMR_SH_REGR_SAMPLE -- export the model called NMF_SH_SAMPLE to a dump file in same schema SQL>EXECUTE DBMS_DATA_MINING.EXPORT_MODEL ( filename =>'NMF_SH_SAMPLE_out', directory =>'DATA_PUMP_DIR', model_filter => 'name = ''NMF_SH_SAMPLE'''); -- import the model back into the same schema SQL>EXECUTE DBMS_DATA_MINING.IMPORT_MODEL ( filename => 'NMF_SH_SAMPLE_out01.dmp', directory => 'DATA_PUMP_DIR', model_filter => 'name = ''NMF_SH_SAMPLE'''); -- connect as different user -- import same model into that schema SQL> connect dmuser3 Enter password:dmuser3_password
Connected. SQL>EXECUTE DBMS_DATA_MINING.IMPORT_MODEL ( filename => 'NMF_SH_SAMPLE_out01.dmp', directory => 'DATA_PUMP_DIR', model_filter => 'name = ''NMF_SH_SAMPLE''', operation =>'IMPORT', remote_link => NULL, jobname => 'nmf_imp_job', schema_remap => 'dmuser2:dmuser3', tablespace_remap => 'USER2:USER3');
この例では、ユーザーSCOTT
が作成したダンプ・ファイルmodel_exp_001.dmp
から、ユーザーMARY
がすべてのモデルをインポートします。ユーザーMARY
にはUSER2
表領域が割り当てられており、ユーザーSCOTT
には、モデルがダンプ・ファイルmodel_exp_001.dmp
にエクスポートされたときに、USERS
表領域が割り当てられました。ダンプ・ファイルはディレクトリ・オブジェクトDM_DUMP
にマッピングされたファイル・システム・ディレクトリにあります。ユーザーMARY
がIMP_FULL_DATABASE
権限を持っていない場合は、IMPORT_MODEL
からエラーが戻されます。
-- import all models DECLARE file_name VARCHAR2(40); BEGIN file_name := 'model_exp_001.dmp'; DBMS_DATA_MINING.IMPORT_MODEL( filename=> 'file_name', directory=>'DM_DUMP', schema_remap=>'SCOTT:MARY', tablespace_remap=>'USERS:USER2'); DBMS_OUTPUT.PUT_LINE( 'DBMS_DATA_MINING.IMPORT_MODEL of all models from SCOTT done!'); END; /
この例は、ユーザーxuser
がリモート・データベースからモデルdmuser.r1mod
をインポートする方法を示しています。リモート・データベースのSQL*Net接続別名はR1DB
です。ユーザーxuser
にはSYSAUX
表領域が割り当てられ、ユーザーdmuser
にはTBS_1
表領域が割り当てられます。
CONNECT / AS SYSDBA; GRANT CREATE DATABASE LINK TO xuser; GRANT imp_full_database TO xuser; CONNECT xuser/xuserpassword CREATE DATABASE LINK dmuser_link CONNECT TO dmuser IDENTIFIED BY dmuserpassword USING 'R1DB'; EXEC dbms_data_mining.import_model ( NULL, 'DMUSER_DIR', 'R1MOD', remote_link => 'DMUSER_LINK', schema_remap => 'DMUSER:XUSER', tablespace_remap => 'TBS_1:SYSAUX' ); SELECT name FROM dm_user_models; NAME ----------------------------------------------------------------------------- R1MOD
この例では、ディレクトリ・オブジェクトPMMLDIR
によって参照される場所から、現行ユーザーのスキーマにSamplePMML1.xml
というPMML文書をインポートする方法を示します。インポートされるモデルの名前は、PMMLMODEL1
になります。
BEGIN dbms_data_mining.import_model ('PMMLMODEL1', XMLType (bfilename ('PMMLDIR', 'SamplePMML1.xml'), nls_charset_id ('AL32UTF8') )); END;
このプロシージャは、予測モデルまたは記述モデルをデータに適用した結果(APPLY
結果)を上位N番までのフィルタに基づいてランク付けします。分類モデルの場合は、このプロシージャへの入力パラメータとしてコスト・マトリックスを指定すると、予測のコストを反映したランク付けされた結果が得られます。
構文
DBMS_DATA_MINING.RANK_APPLY ( apply_result_table_name IN VARCHAR2, case_id_column_name IN VARCHAR2, score_column_name IN VARCHAR2, score_criterion_column_name IN VARCHAR2, ranked_apply_table_name IN VARCHAR2, top_N IN NUMBER (38) DEFAULT 1, cost_matrix_table_name IN VARCHAR2 DEFAULT NULL, apply_result_schema_name IN VARCHAR2 DEFAULT NULL, cost_matrix_schema_name IN VARCHAR2 DEFAULT NULL);
パラメータ
表45-87 RANK_APPLYプロシージャのパラメータ
パラメータ | 説明 |
---|---|
|
テスト・データ・セットに対する |
|
ケースID列の名前。これは適用( |
|
適用結果表の予測列の名前。 |
|
適用結果表の確率列の名前。 |
|
ランク付けされた適用結果が保存される表の名前。 |
|
上位N番までが、精密なリコール計算の |
|
コスト・マトリックス表の名前。 |
|
|
|
コスト・マトリックス表に適用されるスキーマの名前。 |
使用上の注意
RANK_APPLY
を使用すると、上位N番までのフィルタに基づいてランク付けされた適用結果を作成できます。また、モデルがコスト付きで作成されている場合は、予測のコストを反映した結果が得られます。
CREATE_MODEL
、DROP_MODEL
、RENAME_MODEL
などの他のDDL操作の観点から見ると、RANK_APPLY
の動作はAPPLY
の動作と似ています。このプロシージャはモデルには依存しませんが、ここで重要となる入力パラメータは、APPLY
によって固定スキーマ表に出力される適用結果のみです。
RANK_APPLY
の主な使用目的は、本番環境においてモデルをスコアリング・データに適用(APPLY
)して、最終的な適用結果を作成することです。APPLY
を使用してテスト・データにモデルを適用し、様々なコスト・マトリックス表に対するテスト指標値を計算した後、最適なコスト・マトリックスをRANK_APPLY
への入力として指定できます。
以降の項では、サポートされる個々のアルゴリズムにおいて、適用結果が保存される表のスキーマを示します。case_id
列の値は、適用結果のケースID列と同じ値になります。
量的ターゲットの場合、ランク付けされた適用結果は次の定義を持つ表に保存されます。
(case_id VARCHAR2/NUMBER,
prediction NUMBER,
probability NUMBER,
cost NUMBER,
rank INTEGER)
質的ターゲットの場合、ランク付けされた適用結果は次の定義を持つ表に保存されます。
(case_id VARCHAR2/NUMBER,
prediction VARCHAR2,
probability NUMBER,
cost NUMBER,
rank INTEGER)
クラスタリングは監視なしのマイニング機能であるため、ターゲットは存在しません。APPLY
操作の結果は、単にケースに対応するクラスタ識別子と、ケースの確率のみです。コスト・マトリックスはここでは考慮されません。ランク付けされた適用結果は次の定義を持つ表に保存され、この表には、top-N
によってランク付けされたクラスタ識別子が含まれます。
(case_id VARCHAR2/NUMBER,
cluster_id NUMBER,
probability NUMBER,
rank INTEGER)
特徴抽出も監視なしのマイニング機能であるため、ターゲットは存在しません。APPLY
操作の結果は、単にケースに対応する機能識別子と、ケースの一致率のみです。コスト・マトリックスはここでは考慮されません。ランク付けされた適用結果は次の定義を持つ表に保存され、この表には、top-N
によってランク付けされた機能識別子が含まれます。
(case_id VARCHAR2/NUMBER,
feature_id NUMBER,
match_quality NUMBER,
rank INTEGER)
例
BEGIN /* build a model with name census_model. * (See example under CREATE_MODEL) */ /* if training data was pre-processed in any manner, * perform the same pre-processing steps on apply * data also. * (See examples in the section on DBMS_DATA_MINING_TRANSFORM) */ /* apply the model to data to be scored */ DBMS_DATA_MINING.RANK_APPLY( apply_result_table_name => 'census_apply_result', case_id_column_name => 'person_id', score_column_name => 'prediction', score_criterion_column_name => 'probability ranked_apply_result_tab_name => 'census_ranked_apply_result', top_N => 3, cost_matrix_table_name => 'census_cost_matrix'); END; / -- View Ranked Apply Results SELECT * FROM census_ranked_apply_result;
分類モデルからデフォルトのスコアリング・マトリックスを削除します。
使用上の注意
モデルがスキーマにない場合、REMOVE_COST_MATRIX
では、ALTER ANY MINING MODEL
システム権限またはそのマイニング・モデルに対するALTER
オブジェクト権限が必要です。
例
Naive BayesモデルNB_SH_CLAS_SAMPLE
には、モデルのスコアリングに使用できるコスト・マトリックスが関連付けられています。
SQL>SELECT * FROM TABLE(dbms_data_mining.get_model_cost_matrix('nb_sh_clas_sample')) ORDER BY predicted, actual; ACTUAL PREDICTED COST ---------- ---------- ---------- 0 0 0 1 0 .75 0 1 .25 1 1 0
REMOVE_COST_MATRIX
を使用すると、コスト・マトリックスを削除できます。
SQL>EXECUTE dbms_data_mining.remove_cost_matrix('nb_sh_clas_sample'); SQL>SELECT * FROM TABLE(dbms_data_mining.get_model_cost_matrix('nb_sh_clas_sample')) ORDER BY predicted, actual; no rows selected
このプロシージャは、model_nameで指定したマイニング・モデルの名前をnew_model_nameとして指定した名前に変更します。new_model_nameという名前のモデルがすでに存在する場合、プロシージャは、オプションでnew_model_nameをversioned_model_nameに変更してから、model_nameをnew_model_nameに変更します。
モデル名は、[schema_name.]model_nameの形式です。スキーマを指定しない場合は、独自のスキーマが使用されます。マイニング・モデルのネーミングにおける制限の詳細は、「CREATE_MODELプロシージャ」の「使用上の注意」を参照してください。
構文
DBMS_DATA_MINING.RENAME_MODEL ( model_name IN VARCHAR2, new_model_name IN VARCHAR2, versioned_model_name IN VARCHAR2 DEFAULT NULL);
例
次の例では、census_model
というモデルの名前がcensus_model_2012
に変更されます。
BEGIN DBMS_DATA_MINING.RENAME_MODEL( model_name => 'census_model', new_model_name => 'census_model_2012'); END; /
次の例には、ユーザーのスキーマに作業モデルclas_mod
とテスト・モデルclas_mod_tst
の2つの分類モデルがあります。RENAME_MODEL
プロシージャは、clas_mod
をclas_mod_old
として保持し、テスト・モデルを新しい作業モデルにします。
SELECT model_name FROM user_mining_models; MODEL_NAME ------------------------------------------------------------------- CLAS_MOD CLAS_MOD_TST BEGIN DBMS_DATA_MINING.RENAME_MODEL( model_name => 'clas_mod_tst', new_model_name => 'clas_mod', versioned_model_name => 'clas_mod_old'); END; / SELECT model_name FROM user_mining_models; MODEL_NAME ------------------------------------------------------------------- CLAS_MOD CLAS_MOD_OLD