PREDICTION_PROBABILITY |
Probabilité de prédiction |
|---|---|
| Oracle Database SQL |
Syntaxe
| PREDICTION_PROBABILITY ( [ schema . ] model [ , class ] mining_attribute_clause ) |
| PREDICTION_PROBABILITY ( ( OF ANOMALY | FOR expr ) [ , class ] mining_attribute_clause ) OVER (mining_analytic_clause ) |
Paramètres
| Nom | Description |
|---|---|
| schema | Ce paramètre permet de spécifier le schéma Oracle dans lequel se trouve le modèle d'apprentissage utilisé. |
| model | Ce paramètre permet d'indiquer le nom du modèle d'apprentissage machine pour lequel on souhaite obtenir la probabilité de prédiction. |
| class | Ce paramètre permet de spécifier la classe particulière dont on veut récupérer la probabilité associée (optionnel). |
| mining_attribute_clause | Ce paramètre permet d'indiquer les attributs ou colonnes des données qui servent d'entrée au modèle pour calculer la probabilité. |
| OF ANOMALY | Ce paramètre optionnel permet de demander la probabilité liée à la détection d'anomalies dans les données. |
| FOR expr | Ce paramètre permet de désigner une expression ou valeur spécifique pour laquelle la probabilité de prédiction est calculée. |
| OVER (mining_analytic_clause) | Ce paramètre permet de définir une fenêtre analytique (partition, ordre, etc.) pour effectuer le calcul de la probabilité dans un contexte analytique. |
Description
Cette fonction permet de récupérer la probabilité associée à une prédiction, indiquant la confiance du modèle dans son résultat.
Remarques
- La fonction PREDICTION_PROBABILITY permet d'extraire la probabilité associée à une prédiction d'un modèle d'apprentissage automatique. Cela signifie qu'elle donne une mesure quantitative de la confiance que le modèle a dans la classe ou la valeur prédite, ce qui est crucial pour la prise de décision.
- Elle est conçue pour fonctionner avec différents types de modèles entreposés dans la base Oracle, y compris les modèles de classification, de détection d'anomalies ou d'autres types, ce qui la rend polyvalente pour diverses applications analytiques.
- Le paramètre schema est optionnel mais permet de cibler précisément le schéma Oracle où se trouve le modèle, ce qui est particulièrement utile dans des environnements multi-utilisateurs ou multi-projets pour éviter toute ambiguïté.
- Le paramètre model désigne le nom du modèle d'apprentissage machine dont on souhaite obtenir la probabilité de prédiction. Cette précision est indispensable car plusieurs modèles peuvent coexister dans la même base de données.
- Le paramètre class permet de spécifier la classe particulière pour laquelle on souhaite connaître la probabilité, ce qui est essentiel dans des problèmes de classification où plusieurs classes sont possibles.
- Le mining_attribute_clause est utilisé pour définir les attributs d'entrée servant au calcul de la prédiction, ce qui permet d'adapter la requête à des sous-ensembles spécifiques de données ou à des scénarios précis.
- L'option OF ANOMALY permet d'obtenir la probabilité que la donnée analysée soit considérée comme une anomalie, ce qui est important pour les applications de détection de fraude, de surveillance ou de maintenance prédictive.
- La possibilité d'utiliser FOR expr permet de demander la probabilité pour une expression ou une valeur particulière, facilitant ainsi les analyses ciblées et les simulations sur des cas précis.
- L'utilisation de la clause analytique OVER (mining_analytic_clause) donne la capacité de partitionner et d'ordonner les données pour un calcul précis dans des ensembles volumineux, ce qui est utile dans des contextes Big Data.
- Cette fonction aide à mieux comprendre la robustesse d'une prédiction en fournissant un score probabiliste, ce qui permet aux utilisateurs de pondérer leurs décisions selon le niveau de confiance du modèle.
- PREDICTION_PROBABILITY est souvent utilisée conjointement avec d'autres fonctions prédictives Oracle, comme PREDICTION pour obtenir la classe ou valeur prédite, ou PREDICTION_DETAILS pour des informations plus fines.
- En fournissant une probabilité, la fonction permet aussi d'implémenter des seuils personnalisés pour filtrer les résultats, par exemple pour ne retenir que les prédictions dont la probabilité dépasse un certain seuil, ce qui optimise la précision opérationnelle.
Dernière mise à jour : Dimanche, le 29 Juin 2025