PREDICTION_DETAILS

Syntaxe

Paramètres

Description

Cette fonction permet d'obtenir des informations détaillées sur les résultats d'une prédiction, comme les attributs et les scores associés.

Remarques

• La fonction PREDICTION_DETAILS est essentielle pour comprendre en profondeur les résultats d'un modèle d'apprentissage automatique. Elle ne se contente pas de fournir une prédiction brute, mais détaille aussi les facteurs et attributs qui influencent cette prédiction, ce qui est crucial pour l'interprétabilité des modèles.
• Elle est disponible depuis Oracle 12c Release 1 (12.1), ce qui montre son orientation vers des usages avancés de data mining intégrés directement dans la base Oracle, favorisant l'analyse prédictive sans nécessiter d'outils externes.
• Le paramètre schema permet de cibler précisément le schéma contenant le modèle, ce qui est utile dans des environnements avec plusieurs schémas ou bases de données partagées, garantissant que la fonction interroge le bon modèle.
• Le paramètre model est central puisqu'il définit le modèle d'apprentissage machine dont on souhaite extraire les détails. Cela peut être un modèle de classification, de régression ou un autre type de modèle prédictif enregistré dans la base Oracle.
• class_value est optionnel et sert à demander des détails pour une classe spécifique dans un problème de classification. Cela permet de focaliser l'analyse sur un résultat particulier, comme la classe «client à risque» dans un modèle de scoring.
• Le paramètre topN permet de limiter le nombre de résultats détaillés retournés, ce qui est pratique pour éviter une surcharge d'informations, notamment dans des modèles complexes avec de nombreux attributs.
• L'ordre de tri (DESC, ASC, ABS) des résultats détaillés donne une flexibilité importante pour interpréter les données, en mettant en avant les attributs ayant le plus grand impact selon différents critères (valeur brute, ordre croissant ou décroissant, ou valeur absolue).
• Le mining_attribute_clause précise quelles colonnes de données sont utilisées comme entrée pour affiner la prédiction, ce qui peut aider à isoler les variables d'intérêt ou exclure celles non pertinentes pour une analyse ciblée.
• Les options OF ANOMALY et FOR expr permettent d'utiliser la fonction pour des cas spécifiques comme la détection d'anomalies, ou la prédiction appliquée à une expression précise, offrant ainsi une grande souplesse fonctionnelle.
• L'utilisation de la clause OVER (mining_analytic_clause) permet d'exécuter la fonction dans un contexte analytique avec partitions et ordres, ce qui est très utile pour les analyses segmentées sur de larges ensembles de données.
• Cette fonction facilite la transparence des résultats d'apprentissage machine dans Oracle, en fournissant non seulement la prédiction mais aussi un aperçu des variables contributrices, ce qui est essentiel pour l'acceptabilité des modèles en entreprise.
• Enfin, PREDICTION_DETAILS est un outil puissant pour le diagnostic et l'amélioration des modèles, car elle permet d'identifier rapidement quels attributs influencent le plus les décisions prédictives et ainsi d'ajuster les modèles ou les données d'entrée en conséquence.