25 DBMS_DATA_MINING

DBMS_DATA_MININGの使用方法

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。

• 概要

• 新機能

• モデル名

• 定数

• データ型

• 例外

• ユーザー・ビュー

概要

Oracle Data Mining（ODM）は、データ・マイニング機能をOracleデータベースに埋め込みます。 データはデータベースから離れることはなく、データの準備、モデルの作成、モデルのスコアリング（適用）などのすべての作業がデータベースの内部で実行されます。 そのため、Oracleデータベースは、データ・アナリストやアプリケーション開発者がデータ・マイニング機能をデータベース・アプリケーションにシームレスに組み込むための基盤となります。

Oracle Data Mining概要

ODMでは、予測データ・マイニングと記述データ・マイニングの両方がサポートされています。 予測データ・マイニングでは、履歴モデルを使用して、ターゲット値が予測されます。 記述データ・マイニングでは、指定のデータ・セット内の自然なグループが識別されます。

予測データ・マイニングには、次の機能があります。

• 分類

• リグレッション

• 属性重要度

記述データ・マイニングには、次の機能があります。

• クラスタ化

• 相関

• 特徴抽出

モデルを作成してスコアリングする手順は、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。 ODMの機能およびアルゴリズムの詳細は、『Oracle Data Mining概要』を参照してください。

Oracle Data Mining API

ODMには、Graphical User Interface（Oracle Data Miner）とともに、SQLおよびJava用のApplication Program Interface（API）が用意されています。 SQLインタフェースは、PL/SQLパッケージおよびSQLファンクションで構成されています。 Javaインタフェースは、データ・マイニングのJDM 1.0標準をOracleで実装したものです。 SQLおよびJava APIは、完全に相互運用が可能です。

10g リリース2（10.2）で新しく導入されたデータ・マイニング用のSQLファンクションは、モデルのスコアリング結果を戻します。 これらのファンクションは、既存のモデルをSQL文のコンテキスト内で適用します。 ODMのスコアリング・ファンクションには、CLUSTER_ID、CLUSTER_PROBABILITY、CLUSTER_SET、FEATURE_ID、FEATURE_SET、FEATURE_VALUE、PREDICTION、PREDICTION_COST、PREDICTION_DETAILS、PREDICTION_PROBABILITYおよびPREDICTION_SETがあります。 ODMのスコアリング・ファンクションについては、『Oracle Database SQLリファレンス』を参照してください。

DBMS_DATA_MININGパッケージは、すべてのODMマイニング機能に対して、モデルの作成、テストおよびスコアリングのプロセスをサポートしています。 ほとんどのマイニング・データは、マイニングを開始する前に前処理を行う必要があります。 これは、DBMS_DATA_MINING_TRANSFORMパッケージまたはサードパーティのユーティリティを使用して実行できます。 予測データ・マイニングのプロセス全体を自動化するには、DBMS_PREDICTIVE_ANALYTICSパッケージを使用します。

新機能

Oracle Database 10g リリース2（10.2）のDBMS_DATA_MININGパッケージには、次の新機能があります。

• 分類のディシジョン・ツリー・アルゴリズム

• クラスタ化の直交パーティショニング・クラスタリング（O-Cluster）アルゴリズム

• 1クラス・サポート・ベクター・マシン（異常検出をサポート）

• サポート・ベクター・マシンの能動学習

Oracle Data Miningの新機能の詳細は、『Oracle Data Mining概要』および『Oracle Database新機能』を参照してください。

モデル名

ODMモデルの名前は、有効なスキーマ・オブジェクト名である必要があります。 ただし、モデルのネーミング規則には、スキーマ・オブジェクトのネーミング規則より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については、『Oracle Database SQLリファレンス』に詳しく記述されています。

定数

Oracle Data Miningは、定数を使用して、マイニング機能、そのアルゴリズム、およびモデルに関するその他の詳細情報を指定します。 モデルの機能（タイプ）は、モデルの作成時に指定されます。 デフォルト以外のモデルの特性は、そのモデルに関連付けられている設定表で指定します。

設定表は、ユーザーが作成する表で、次の列で構成されています。

(setting_name        VARCHAR2(30),
 setting_value       VARCHAR2(128))

setting_name列の各設定値は定数です。また、setting_value列に指定可能な値も、その多くは定数です。 数値は、暗黙的にVARCHAR2に変換されます。 明示的に変換する場合は、TOCHARファンクションを使用します。

マイニング機能を指定する定数

Oracle Data Miningでは、多くの予測マイニング機能および記述マイニング機能がサポートされています。 マイニング機能は、CREATE_MODELプロシージャのパラメータとして指定されます。 詳細は、「CREATE_MODELプロシージャ」を参照してください。

mining_functionパラメータのデータ型はVARCHAR2(30)で、表25-1に示す値を指定できます。

マイニング機能に関する情報を指定する定数

すべてのモデルが、表25-1に示したいずれかのマイニング機能に基づいています。 マイニング機能の構成は、表25-2に示す設定値で指定できます。

アルゴリズムに関する情報を指定する定数

モデルで使用されるアルゴリズムは、algo_name設定（表25-2を参照）で指定します。 アルゴリズムの構成は、表25-3に示す設定値で指定できます。

データ型

DBMS_DATA_MININGパッケージには、アルゴリズムに固有のモデル情報を戻す多数のテーブル・ファンクションがあります。 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。 テーブル・ファンクションは、GET_nという名前になります。nは、戻す情報のタイプを示します。 ODMの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。

すべてのGETファンクションでパイプライン出力が使用されているため、出力の各行は、モデルの記憶域から読み取られる際に実体化され、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ユーザーズ・ガイドおよびリファレンス』を参照してください。

GETファンクションで戻される仮想表は、オブジェクト・データ型です。 その行は、別のオブジェクト・データ型で定義されます。 ネストした表を定義するオブジェクト・データ型を持つ列もあります。

ODMでは、ワイド・データの処理にもオブジェクト・データ型が使用されます。 これらの型（DM_NESTED_NUMERICALSおよびDM_NESTED_CATEGORICALS）によって、一連のマイニング属性を1つの列に格納する場合に使用可能なネストした表が定義されます。 ワイド・データの詳細は、『Oracle Data Miningアプリケーション開発者ガイド』を参照してください。

表25-4に、ODMのオブジェクト・データ型を示します。

例外

次の表に、DBMS_DATA_MININGで発生する例外を示します。

ユーザー・ビュー

表25-6は、DM_USER_MODELSビューの説明です。このビューには、ユーザーのスキーマ内のモデルに関する情報が表示されます。

DBMS_DATA_MININGサブプログラムの要約

表25-7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。

APPLYプロシージャ

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（APPLY結果)を表に保存します。 APPLY操作は、スコアリングとも呼ばれます。

予測マイニング機能のAPPLY操作では、予測結果がターゲット列に生成されます。 クラスタ化などの記述マイニング機能のAPPLY操作では、各ケースにクラスタが確率付きで割り当てられます。

APPLY操作は、相関モデルおよび属性重要度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);

パラメータ

使用上の注意

APPLYに渡すデータは、CREATE_MODELに渡すデータと比較した場合に、スキーマ定義および関連属性が一致する必要があります。 これらの情報を取得するには、GET_MODEL_SIGNATUREファンクションを使用します。 CREATE_MODELへの入力として指定したデータが前処理されていた場合は、APPLYへの入力データも同じ方法で前処理する必要があります。 ケースIDは、APPLYによる処理時にマイニング属性とみなされません。

ユーザーは、適用操作の結果が保存される表の名前を指定する必要があります。 APPLYを実行すると、各アルゴリズムに固有の固定スキーマを持つ表が、モデルを所有するユーザー・スキーマ内に作成されます。

APPLYはプロシージャとしてパッケージされていますが、その動作はSQL問合せの動作と似ています。 APPLYによってモデルの内容は変更されません。またその動作は、CREATE_MODEL、DROP_MODEL、RENAME_MODELの動作と競合しません。 ただし、モデルがスコアリング・データに適用されているときに、モデルを削除するか、モデルの名前を変更すると、APPLY操作が途中で中止されたり、予測不可能な結果が発生する可能性があります。

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、ユーザーが入力パラメータで指定したケースID列名と同じ値になります。 入力のcase_id列の型は、APPLYの出力でも維持されます。

分類アルゴリズム

分類モデルに対するAPPLYの結果が保存される表には、すべて同じ定義が適用されます。 ターゲットが数値である場合、適用結果は次の列を持つ表に保存されます。

case_id      VARCHAR2/NUMBER
prediction   NUMBER
probability  NUMBER

ターゲットがカテゴリである場合、適用結果は次の列を持つ表に保存されます。

case_id      VARCHAR2/NUMBER
prediction   VARCHAR2
probability  NUMBER

1クラスSVM（異常検出）

適用結果は次の列を持つ表に保存されます。

case_id       VARCHAR2/NUMBER
prediction    NUMBER
probability   NUMBER

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。

SVMを使用するリグレッション

適用結果は次の列を持つ表に保存されます。

case_id     VARCHAR2/NUMBER
prediction  NUMBER

k-MeansおよびO-Clusterを使用するクラスタ化

クラスタ化は非監視型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。 適用結果は次の列を持つ表に保存されます。

case_id      VARCHAR2/NUMBER
cluster_id   NUMBER
probability  NUMBER

NMFを使用する特徴抽出

特徴抽出も非監視型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。 適用結果は次の列を持つ表に保存されます。

case_id        VARCHAR2/NUMBER
feature_id     NUMBER
match_quality  NUMBER

例

BEGIN
/* build a model with name census_model.
 * (See example under CREATE_MODEL)
 */

/* if build data was pre-processed in any manner,
 * perform the same pre-processing steps on the
 * scoring data also.
 * (See examples in the section on DBMS_DATA_MINING_TRANSFORM)
 */

/* apply the model to data to be scored */
DBMS_DATA_MINING.APPLY(
  model_name          => 'census_model',
  data_table_name     => 'census_2d_apply',
  case_id_column_name => 'person_id',
  result_table_name   => 'census_apply_result');
END;
/

-- View Apply Results
SELECT case_id, prediction, probability
  FROM census_apply_result;

COMPUTE_CONFUSION_MATRIXプロシージャ

このプロシージャは、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。また、モデルの精度を取得します。 コンフュージョン・マトリックスの説明は、『Oracle Data Mining概要』を参照してください。

COMPUTE_CONFUSION_MATRIXプロシージャを実行する前に、次の操作を実行します。

• テスト・データへのモデルの適用

• テスト・データのケースID列およびターゲット列のみが含まれるターゲット表またはターゲット・ビューの作成

この表またはビューおよび適用結果表は、プロシージャの入力として指定します。

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);

パラメータ

使用上の注意

このプロシージャへのオプション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結果が得られます。

COMPUTE_CONFUSION_MATRIXへの入力は、必ずしもAPPLYを使用して作成する必要がないことに十分注意してください。 2つの入力表の定義がこの項で説明した仕様に一致し、定義の内容が適正であれば、このプロシージャを使用してモデルのコンフュージョン・マトリックスと精度情報を生成できます。 出力結果の質はデータの質に依存します。

分類モデルのテストに使用するデータは、CREATE_MODELに渡したデータと比較した場合に、スキーマ定義および関連属性が一致する必要があります。 CREATE_MODELに入力として渡したデータが前処理されていた場合は、CREATE_MODELデータの前処理に関する統計情報に基づき、APPLYへの入力データも前処理する必要があります。

COMPUTE_CONFUSION_MATRIXプロシージャを使用する前に、テスト・データから2種類のデータ入力ストリームを準備する必要があります。

最初に、テスト・データにモデルを適用（APPLY）します。 APPLYで得られた結果表の名前を、COMPUTE_CONFUSION_MATRIXプロシージャのapply_result_table_nameに指定します。

次に、ケースID列とターゲット列のみがスキーマ内で定義された表またはビューを作成します。 この2つ目の表の名前を、target_table_nameに指定します。

ターゲット属性が数値である場合、2つ目の表またはビューの定義は次のようになります。

(case_identifier_column_name  VARCHAR2/NUMBER,
target_column_name            NUMBER)

ターゲット属性がカテゴリである場合、2つ目の表またはビューの定義は次のようになります。

(case_identifier_column_name  VARCHAR2/NUMBER,
target_column_name            NUMBER)

ユーザーは、コンフュージョン・マトリックスが格納される表の名前を指定する必要があります。 この固定スキーマ表は常に、モデルを所有するスキーマ内に作成されます。

ターゲット属性が数値である場合、コンフュージョン・マトリックス表の定義は次のようになります。

(actual_target_value    NUMBER,
predicted_target_value  NUMBER,
value                   NUMBER)

ターゲット属性がカテゴリである場合、コンフュージョン・マトリックス表の定義は次のようになります。

(actual_target_value     VARCHAR2,
predicted_target_value   VARCHAR2,
value                    NUMBER)

例

この例では、Naive Bayesアルゴリズムを使用して、census_modelという分類モデルを事前に作成していると想定します。テスト・データは、census_2d_testという表（ケースID列の名前はperson_id、ターゲット列の名前はclass）に保存されています。

DECLARE
  v_sql_stmt VARCHAR2(4000);
  v_accuracy NUMBER;
BEGIN

/* apply the model census_model on test data */
DBMS_DATA_MINING.APPLY(
  model_name           => 'census_model',
  data_table_name      => 'census_2d_test',
  case_id_column_name  => 'person_id',
  result_table_name    => 'census_test_result');
CREATE VIEW census_2d_test_view as select person_id, class from census_2d_test;

/* now compute the confusion matrix from the two
 * data streams, also providing a cost matrix as input.
 */
DBMS_DATA_MINING.COMPUTE_CONFUSION_MATRIX (
  accuracy                     => v_accuracy,
  apply_result_table_name      => 'census_test_result',
  target_table_name            => 'census_2d_test_view',
  case_id_column_name          => 'person_id',
  target_column_name           => 'class',
  confusion_matrix_table_name  => 'census_confusion_matrix',
  cost_matrix_table_name       => 'census_cost_matrix');
DBMS_OUTPUT.PUT_LINE('Accuracy of the model: ' || v_accuracy);
END;
/

-- View the confusion matrix using Oracle SQL
SELECT actual_target_value, predicted_target_value, value
  FROM census_confusion_matrix;

COMPUTE_LIFTプロシージャ

このプロシージャは、分類モデルをテスト・データに適用して、特定の正数ターゲットのリフト表を計算します。 リフトについては、『Oracle Data Mining概要』を参照してください。

COMPUTE_LIFTプロシージャを実行する前に、次の操作を実行します。

• テスト・データへのモデルの適用

• テスト・データのケースID列およびターゲット列のみが含まれるターゲット表またはターゲット・ビューの作成

この表またはビューおよび適用結果表は、プロシージャの入力として指定します。

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);

パラメータ

使用上の注意

このプロシージャへのオプション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結果が得られます。

COMPUTE_LIFTに入力するデータは、必ずしもAPPLYを使用して作成する必要がないことに十分注意してください。 2つの入力表のスキーマがこの項で説明した仕様に一致し、スキーマの内容が適正であれば、このプロシージャを使用してリフト表を取得できます。 出力結果の質はデータの質に依存します。

分類モデルのテストに使用するデータは、CREATE_MODELに渡したデータと比較した場合に、スキーマ定義および関連属性が一致する必要があります。 CREATE_MODELの入力として指定したデータが前処理されていた場合は、APPLYへの入力データも、その作成前処理で使用したビニング表と同じビニング表を使用して、前処理する必要があります。

COMPUTE_LIFTプロシージャを使用する前に、テスト・データから2種類のデータ入力ストリームを準備する必要があります。

最初に、テスト・データにモデルを適用（APPLY）します。 COMPUTE_LIFTプロシージャのapply_result_table_nameパラメータには、APPLY操作の結果としてスキーマ内に作成される表の名前を指定します。

次に、ケースID列とターゲット列のみがスキーマ内で定義された表またはビューを作成します。 target_table_nameパラメータには、このような表またはビューの名前を指定します。 ターゲット属性が数値である場合、このような表またはビューの定義は次のようになります。

(case_identifier_column_name  VARCHAR2/NUMBER,
target_column_name             NUMBER)

ターゲット属性がカテゴリである場合、このような表またはビューの定義は次のようになります。

(case_identifier_column_name  VARCHAR2/NUMBER,
target_column_name            NUMBER)

ユーザーは、リフト表が格納される表の名前を指定する必要があります。 この固定スキーマ表は常に、モデルを所有するスキーマ内に作成されます。

出力のリフト表の定義は、次のようになります。

(quantile_number               NUMBER,
 probability_threshold         NUMBER,
 gain_cumulative               NUMBER,
 quantile_total_count          NUMBER,
 quantile_target_count         NUMBER,
 percent_records_cumulative    NUMBER,
 lift_cumulative               NUMBER,
 target_density_cumulative     NUMBER,
 targets_cumulative            NUMBER,
 non_targets_cumulative        NUMBER,
 lift_quantile                 NUMBER,
 target_density                NUMBER)

COMPUTE_LIFTプロシージャにコスト・マトリックスが渡されると、probability_threshold列にコストしきい値が戻されます。

出力列については、『Oracle Data Mining概要』を参照してください。

例

この例では、Naive Bayesアルゴリズムを使用して、census_modelという分類モデルを事前に作成していると想定します。テスト・データは、census_2d_testという表（ケースID列の名前はperson_id、ターゲット列の名前はclass）に保存されています。

DECLARE
  v_sql_stmt VARCHAR2(4000);
BEGIN

/* apply the model census_model on test data */
DBMS_DATA_MINING.APPLY(
  model_name           => 'census_model',
  data_table_name      => 'census_2d_test,
  case_id_column_name  => 'person_id',
  result_table_name    => 'census_test_result');

/* next create a view from test data that projects
 * only the case identifier and target column
 */

/* now compute lift with the default 10 quantiles
 * from the two data streams
 */
DBMS_DATA_MINING.COMPUTE_LIFT (
  apply_result_table_name   => 'census_test_result',
  target_table_name         => 'census_2d_test_view',
  case_id_column_name       => 'person_id',
  target_column_name        => 'class',
  lift_table_name           => 'census_lift',
  positive_target_value     => '1',
  cost_matrix_table_name    => 'census_cost_matrix');
END;
/

-- View the lift table contents using SQL
SELECT *
  FROM census_lift;

COMPUTE_ROCプロシージャ

このプロシージャは、バイナリ分類モデルのROC（受信者操作特性）を計算します。 ROC（受信者操作特性）については、『Oracle Data Mining概要』を参照してください。

COMPUTE_ROCプロシージャを実行する前に、次の操作を実行します。

• テスト・データへのモデルの適用

• テスト・データのケースID列およびターゲット列のみが含まれるターゲット表またはターゲット・ビューの作成

この表またはビューおよび適用結果表は、プロシージャの入力として指定します。

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

使用上の注意

COMPUTE_ROCに入力するデータは、必ずしもAPPLYを使用して作成する必要がないことに十分注意してください。 2つの入力表のスキーマがこの項で説明した仕様に一致し、スキーマの内容が適正であれば、このプロシージャを使用してROC表を取得できます。 出力結果の質はデータの質に依存します。

分類モデルのテストに使用するデータは、CREATE_MODELに渡したデータと比較した場合に、スキーマ定義および関連属性が一致する必要があります。 CREATE_MODELに入力として渡したデータが前処理されていた場合は、CREATE_MODELデータの前処理に関する統計情報に基づき、APPLYへの入力データも前処理する必要があります。

COMPUTE_ROCプロシージャを使用する前に、テスト・データから2種類のデータ入力ストリームを準備する必要があります。

最初に、テスト・データにモデルを適用（APPLY）します。 COMPUTE_ROCプロシージャのapply_result_table_nameパラメータには、APPLY操作の結果として自分のスキーマ内に作成される表の名前を指定します。

次に、テスト・データのケースIDおよびターゲット値のみが含まれる表またはビューを作成します。 この表を、target_table_nameパラメータに指定します。 ターゲット属性が数値である場合、この表の列は次のようになります。

case_identifier_column_name  VARCHAR2/NUMBER,
target_column_name           NUMBER

ターゲット属性がカテゴリである場合、この表の列は次のようになります。

case_identifier_column_name  VARCHAR2/NUMBER,
target_column_name           VARCHAR2

ユーザーは、ROC表が格納される表の名前を指定する必要があります。 この表は、常にモデルを所有するスキーマ内に作成され、常に次の列があります。

(probability              NUMBER,
 true_positives           NUMBER,
 false_negatives          NUMBER,
 false_positives          NUMBER,
 true_negatives           NUMBER,
 true_positive_fraction   NUMBER,
 false_positive_fraction  NUMBER)

表25-12に、出力列を示します。

これらの出力列の代表的な使用方法は、true_positive_fractionの値とfalse_positive_fractionの値を調べて、最適な確率しきい値（probability_threshold）を決定することです。 次に、この確率しきい値を使用して、以降の適用操作でクラス値を予測します。 たとえば、特定のprobability_thresholdが前提条件として与えられたときに、確率ランク順序内で肯定的に予測されたケースを適用結果表から取り出すには、次のようなSQL文を使用します。

select case_id_column_name from apply_result_table_name where probability > probability_threshold order by probability DESC;

最適な確率しきい値（probability_threshold）を決定するには、次の2通りの方法があります。 最初の方法は、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事前に判明しているときに適用できます。 2番目の方法は、そのような相対コストが明確にわかっていない場合に適用します。 最初の方法では、相対コストをROC表に適用して、相対コストが最小になるprobability_thresholdを計算します。 たとえば、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）である場合は、次のような問合せを実行します。

WITH cost AS (
  SELECT probability_threshold, 20 * false_negatives + false positives cost
    FROM ROC_table
  GROUP BY probability_threshold),
    minCost AS (
      SELECT min(cost) minCost
        FROM cost)
      SELECT max(probability_threshold)probability_threshold
        FROM cost, minCost
    WHERE cost = minCost;

相対コストが明確にわかっていない場合は、ROC表のすべて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します。

select * from ROC_table order by probability_threshold

例

この例では、SVMアルゴリズムを使用して、census_modelという分類モデルを事前に作成していると想定します。テスト・データは、census_2d_testという表（ケースID列の名前はperson_id、ターゲット列の名前はclass）に保存されています。

DECLARE
  v_sql_stmt VARCHAR2(4000);
  v_accuracy NUMBER;
BEGIN

/* apply the model census_model on test data */
DBMS_DATA_MINING.APPLY(
  model_name           => 'census_model',
  data_table_name      => 'census_2d_test',
  case_id_column_name  => 'person_id',
  result_table_name    => 'census_test_result');

/* next create a view from test data that projects
 * only the case identifier and target column
 */
v_sql_stmt :=
'CREATE VIEW census_2d_test_view AS ' ||
'SELECT person_id, class FROM census_2d_test';
EXECUTE IMMEDIATE v_sql_stmt;

/* now compute the receiver operating characterestics from
 * the two data streams, also providing a cost matrix
 * as input.
 */
DBMS_DATA_MINING.COMPUTE_ROC (
  accuracy                 => v_accuracy,
  apply_result_table_name  => 'census_test_result',
  target_table_name        => 'census_2d_test_view',
  case_id_column_name      => 'person_id',
  target_column_name       => 'class',
  roc_table_name           => 'census_roc',
  cost_matrix_table_name   => 'census_cost_matrix');
END;
/

-- View the ROC results using Oracle SQL
SELECT *
  FROM census_roc;

CREATE_MODELプロシージャ

このプロシージャは、特定のマイニング機能用のマイニング・モデルを作成します。

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);

パラメータ

使用上の注意

以降のすべての操作（APPLYなど）に渡すデータは、CREATE_MODELに渡したデータと比較した場合に、スキーマ定義および関連属性が一致する必要があります。 CREATE_MODELに入力として渡したデータが前処理されていた場合は、CREATE_MODELデータの前処理に関する統計情報に基づき、以降のすべての操作（APPLYなど）に渡す入力データも前処理する必要があります。 ケースID列は、CREATE_MODELによる処理時にマイニング属性とみなされません。

各アルゴリズムのデフォルト設定を表示するには、GET_DEFAULT_SETTINGSを使用します。 マイニング・アルゴリズムのデフォルト設定を変更するには、目的のアルゴリズムの名前と、そのアルゴリズムのデフォルト設定を上書きする値を指定した設定表を作成します。

モデルの作成が完了した後、GET_MODEL_SIGNATUREを使用して、モデルの作成に使用された属性に関する情報を取得できます。 モデルの内容を検証または確認するには、各アルゴリズムに固有のGET_MODEL_DETAILSファンクションを使用します。

CREATE_MODELの動作は、SQL DDL CREATEの動作と似ています。 CREATE_MODELの実行中には、RENAME_MODELおよびDROP_MODELはブロックされ実行できません。

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。

/* prepare a settings table to override default
 * settings (Naive Bayes is the default classifier)
 */
CREATE TABLE census_settings (
  setting_name  VARCHAR2(30),
  setting_value VARCHAR2(128));

BEGIN
/* indicate that SVM is the chosen classifier */
INSERT INTO census_settings VALUES (
DBMS_DATA_MINING.ALGO_NAME, DBMS_DATA_MINING.ALGO_SUPPORT_VECTOR_MACHINES);

/* override the default value for complexity factor */
INSERT INTO census_settings (setting_name, setting_value)
VALUES (dbms_data_mining.svms_complexity_factor, TO_CHAR(0.081));
COMMIT;

/* build a model with name census_model */
DBMS_DATA_MINING.CREATE_MODEL(
  model_name           => 'census_model',
  mining_function      => DBMS_DATA_MINING.CLASSIFICATION,
  data_table_name      => 'census_2d_build',
  case_id_column_name  => 'person_id',
  target_column_name   => 'class',
  settings_table_name  => 'census_settings');
END;
/

類似したコードを使用して、1クラスSVMモデルを作成します。 主な違いは、ターゲット列が空であることです。

/* prepare a settings table to override default
 * settings (Naive Bayes is the default classifier)
 */
CREATE TABLE census_settings (
  setting_name  VARCHAR2(30),
  setting_value VARCHAR2(128));

BEGIN
/* indicate that SVM is the chosen classifier */
INSERT INTO census_settings VALUES (
DBMS_DATA_MINING.ALGO_NAME, DBMS_DATA_MINING.ALGO_SUPPORT_VECTOR_MACHINES);

/* override the default value for outlier rate */
INSERT INTO census_settings (setting_name, setting_value)
VALUES (dbms_data_mining.svms_outlier_rate, TO_CHAR(0.05));
COMMIT;

/* build a model with name census_model */
DBMS_DATA_MINING.CREATE_MODEL(
  model_name           => 'census_model',
  mining_function      => DBMS_DATA_MINING.CLASSIFICATION,
  data_table_name      => 'census_2d_build',
  case_id_column_name  => 'person_id',
  target_column_name   => NULL,
  settings_table_name  => 'census_settings');
END;
/

DROP_MODELプロシージャ

このプロシージャは、ユーザーのスキーマから既存のマイニング・モデルを削除します。

構文

DBMS_DATA_MINING.DROP_MODEL (model_name IN VARCHAR2);

パラメータ

使用上の注意

DROP_MODELを使用すると、既存のマイニング・モデルを削除できます。

DROP_MODELの動作は、SQL DDL DROPの動作と似ています。 DROP_MODELの実行中には、RENAME_MODELおよびCREATE_MODELはブロックされ実行できません。 一方、APPLYでは、SQL問合せと同様にモデル・データは更新されないため、DROP_MODEの実行中でもAPPLYを実行できます。

ただし、APPLYでモデルを使用しているときに、そのモデルを削除すると、DROP操作は成功しますが、APPLYからは不確定な結果が戻されます。 この動作は、DDL操作によって問合せ操作がブロックされないというRDBMSの標準的な動作に準拠しています。

例

census_modelというモデルがあるとします。 次の例は、このモデルの削除方法を示しています。

BEGIN
  DBMS_DATA_MINING.DROP_MODEL(model_name => 'census_model');
END;
/

EXPORT_MODELプロシージャ

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・セットからのインポートは、IMPORT_MODELプロシージャを使用して行うことができます。 EXPORT_MODELとIMPORT_MODELの両方で、Oracle Data Pumpテクノロジが使用されています。

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

使用上の注意

エクスポートするモデルは、model_filterパラメータで指定します。 モデルは、名前に基づいて指定できます。また、同じ特性を持つモデルの集合を指定することもできます。 名前に基づいてモデルを指定する場合は、1つのモデル名を指定するか、または複数のモデル名をカンマで区切って指定します。 同じ特性を持つモデルの集合を指定する場合は、DM_USER_MODELSビューに対する問合せのWHERE句を完成する条件式を使用します。 DM_USER_MODELSには、現行のスキーマ内のモデルが表示されます。 次の列が表示されます。

 Name                                      Null?    Type
 ----------------------------------------- -------- ----------------------------
 NAME                                      NOT NULL VARCHAR2(25)
 FUNCTION_NAME                                      VARCHAR2(30)
 ALGORITHM_NAME                                     VARCHAR2(30)
 CREATION_DATE                                      DATE
 BUILD_DURATION                                     NUMBER
 TARGET_ATTRIBUTE                                   VARCHAR2(30)
 MODEL_SIZE                                         NUMBER

DM_USER_MODELSの列については、「ユーザー・ビュー」を参照してください。

model_filterの条件式を作成するには、列名、サポートされている条件演算子、および値を指定します。 サポートされている条件演算子には、<、<=、=、=>、>、LIKEおよびINがあります。 条件演算子およびWHERE句については、『Oracle Database SQLリファレンス』を参照してください。

表25-16に、モデル・フィルタの例を示します。

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、同じディレクトリ・オブジェクトとスキーマを使用して、ターゲットがAFFINITY_CARDであるモデルがすべてエクスポートされます。

SQL>execute dbms_data_mining.export_model ('models050402_out',
                 'DATA_PUMP_DIR', 'target_attribute = ''AFFINITY_CARD''',
                 '1M', 'EXPORT', NULL, 'models050402_job');
SQL>exit
>cd $ORACLE_HOME/rdbms/log
>ls
>DMUSER3_exp_1027.log  models_out01.dmp
 DMUSER3_exp_924.log   models2_out01.dmp
 models050402_job.log  models050402_out01.dmp   models050402_out02.dmp

GET_ASSOCIATION_RULESファンクション

このテーブル・ファンクションは、ルールを表す行の集合を相関モデルから戻します。

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 INTEGER DEFAULT NULL,
   min_confidence        IN NUMBER DEFAULT NULL,
   min_support           IN NUMBER DEFAULT NULL,
   max_rule_length       IN INTEGER DEFAULT NULL,
   min_rule_length       IN INTEGER DEFAULT NULL,
   sort_order            IN DMSYS.ORA_MINING_VARCHAR2_NT DEFAULT NULL,
   antecedent_items      IN DYSYS.ORA_MINING_VARCHAR2_NT DEFAULT NULL,
   consequent_items      IN DYSYS.ORA_MINING_VARCHAR2_NT DEFAULT NULL)
 RETURN DM_RULES PIPELINED;

パラメータ

戻り値

(rule_id              INTEGER,
 antecedent           DM_PREDICATES,
 consequent           DM_PREDICATES,
 rule_support         NUMBER,
 rule_confidence      NUMBER,
 antecedent_support   NUMBER,
 consequent_support   NUMBER,
 number_of_items      INTEGER )

     (attribute_name            VARCHAR2(30),
      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型の行をパイプライン出力します。 ODMのデータ型およびテーブル・ファンクションからのパイプライン出力については、「データ型」を参照してください。

DMSYS.ORA_MINING_VARCHAR2_NT型は、VARCHAR2(4000)の表として定義されます。

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 census_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 => 'census_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));

次の例では、前件に'AQUATIC'または'EGGS'があり、後件が'VENOMOUS'であるすべてのルールが戻されます。 ルールは、まずNUMBER_OF_ITEMS、次にRULE_CONFIDENCE、最後にRULE_SUPPORTに基づいて降順でソートされます。

SELECT * FROM TABLE
(    DBMS_DATA_MINING.GET_ASSOCIATION_RULES
       ('AR_Model_31', 120, NULL, 1, .51, 7,
         DMSYS.ORA_MINING_VARCHAR2_NT
          ('NUMBER_OF_ITEMS DESC', 'RULE_CONFIDENCE DESC', 'RULE_SUPPORT DESC'),
         DMSYS.ORA_MINING_VARCHAR2_NT('AQUATIC', 'EGGS'),
         DMSYS.ORA_MINING_VARCHAR2_NT('VENOMOUS')));

GET_DEFAULT_SETTINGSファンクション

このテーブル・ファンクションは、DBMS_DATA_MININGパッケージでサポートされるすべてのマイニング機能とマイニング・アルゴリズムのデフォルト設定を戻します。

構文

DBMS_DATA_MINING.GET_DEFAULT_SETTINGS
  RETURN DM_MODEL_SETTINGS PIPELINED;

戻り値

(setting_name    VARCHAR2(30),
 setting_value   VARCHAR2(128))

使用上の注意

このテーブル・ファンクションは、DM_MODEL_SETTING型の行をパイプライン出力します。 ODMのデータ型およびテーブル・ファンクションからのパイプライン出力については、「データ型」を参照してください。

特定の機能やアルゴリズムで使用される設定がわからないときに、それらの設定の全部または一部を変更する場合は、このファンクションが特に便利です。

例

たとえば、k-Meansクラスタ化のすべての設定または一部の設定を変更する場合は、次の例のような設定表を作成し、必要に応じて個々の設定を更新します。

BEGIN
  CREATE TABLE mysettings AS
  SELECT *
  FROM TABLE(DBMS_DATA_MINING.GET_DEFAULT_SETTINGS)
   WHERE setting_name LIKE 'KMNS%';
  -- now update individual settings as required
  UPDATE mysettings
     SET setting_value = 0.02
   WHERE setting_name = DBMS_DATA_MINING.KMNS_MIN_PCT_ATTR_SUPPORT;
END;
/

GET_FREQUENT_ITEMSETSファンクション

このテーブル・ファンクションは、頻度の高い項目セットを表す行の集合を相関モデルから戻します。 頻度の高い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)
  RETURN DM_ITEMSETS PIPELINED;

パラメータ

戻り値

(itemsets_id      NUMBER,
items             DM_ITEMS,
support           NUMBER,
number_of_items   NUMBER)

使用上の注意

このテーブル・ファンクションは、DM_ITEMSETS型の行をパイプライン出力します。 ODMのデータ型およびテーブル・ファンクションからのパイプライン出力については、「データ型」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  => 'census_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));

GET_MODEL_DETAILS_ABNファンクション

このテーブル・ファンクションは、動的なベイズ・ネットワーク・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_ABN (
    model_name         IN VARCHAR2)
  RETURN DM_ABN_DETAILS PIPELINED;

パラメータ

戻り値

(rule_id           INTEGER,
 antecedent        DM_PREDICATES,
 consequent        DM_PREDICATES,
 rule_support      NUMBER)

     (attribute_name          VARCHAR2(30),
      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_ABN_DETAIL型の行をパイプライン出力します。 ODMのデータ型およびテーブル・ファンクションからのパイプライン出力については、「データ型」を参照してください。

このファンクションは、単一機能ABNモデルのみのディテールを戻します。

例

この例では、ABN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_MODEL_DETAILS_ABNをコールする方法を示します。

BEGIN
  -- prepare a settings table to override default algorithm and model type
  CREATE TABLE abn_settings (setting_name VARCHAR2(30),
  setting_value
VARCHAR2(128));
  INSERT INTO abn_settings VALUES (DBMS_DATA_MINING.ALGO_NAME,
    DBMS_DATA_MINING.ALGO_ADAPTIVE_BAYES_NETWORK);
  INSERT INTO abn_settings VALUES    (DBMS_DATA_MINING.ABNS_MODEL_TYPE,     DBMS_DATA_MINING.ABNS_SINGLE_FEATURE);
   COMMIT;
  -- create a model
  DBMS_DATA_MINING.CREATE_MODEL (
    model_name           => 'abn_model',
    function             => DBMS_DATA_MINING.CLASSIFICATION,
    data_table_name      => 'abn_build',
    case_id_column_name  => 'id',
    target_column_name   => NULL,
    settings_table_name  => 'abn_settings');
END;
/
-- View the (unformatted) results from SQL*Plus
SELECT *
    FROM TABLE(DBMS_DATA_MINING.GET_MODEL_DETAILS_ABN('abn_model'));

GET_MODEL_DETAILS_AIファンクション

このテーブル・ファンクションは、属性重要度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;

パラメータ

戻り値

(attribute_name          VARCHAR2(30),
 importance_value        NUMBER,
 rank                    NUMBER(38))

GET_MODEL_DETAILS_KMファンクション

このテーブル・ファンクションは、k-Meansクラスタ化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)
RETURN DM_CLUSTERS PIPELINED;

パラメータ

戻り値

(id                   INTEGER,
 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(30),
      conditional_operator     CHAR(2) /*=,<>,<,>,<=,>=*/,
      attribute_num_value      NUMBER,
      attribute_str_value      VARCHAR2(4000),
      attribute_support        NUMBER,
      attribute_confidence     NUMBER)

     (attribute_name   VARCHAR2(30),
      mean             NUMBER,
      mode_value       VARCHAR2(4000),
      variance         NUMBER)

     (attribute_name    VARCHAR2(30),
      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)

          (attribute_name           VARCHAR2(30),
           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型の行をパイプライン出力します。 ODMのデータ型およびテーブル・ファンクションからのパイプライン出力については、「データ型」を参照してください。

例

この例では、k-Meansクラスタ化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_MODEL_DETAILS_KMをコールする方法を示します。

BEGIN
-- create a settings table
UPDATE cluster_settings
   SET setting_value = 3
 WHERE setting_name = DBMS_DATA_MINING.KMEANS_BLOCK_GROWTH;

/* build a k-Means clustering model */
DBMS_DATA_MINING.CREATE_MODEL(
  model_name           => 'eight_clouds',
  function             => DBMS_DATA_MINING.CLUSTERING,
  data_table_name      => 'eight_clouds_build',
  case_id_column_name  => 'id',
  target_column_name   => NULL,
  settings_table_name  => 'cluster_settings');
END;
/

-- View the (unformatted) rules from SQL*Plus
SELECT id, record_count, parent, tree_level, dispersion,
       child, centroid, histogram, rule
  FROM TABLE(DBMS_DATA_MINING_GET_MODEL_DETAILS_KM('eight_clouds'));

GET_MODEL_DETAILS_NBファンクション

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。

構文

DBMS_DATA_MINING.GET_MODEL_DETAILS_NB (
   model_name      IN       VARCHAR2)
 RETURN DM_NB_DETAILS PIPELINED;

パラメータ

戻り値

(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(30),
      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型の行をパイプライン出力します。 ODMのデータ型およびテーブル・ファンクションからのパイプライン出力については、「データ型」を参照してください。

例

この例では、Naive Bayesアルゴリズムを使用して、census_modelという分類モデルを事前に作成していると想定します。 このモデルのディテールを取り出すには、次のようにします。

-- You can view the Naive Bayes model details in many ways
-- Consult the Oracle Application Developer's Guide -
-- Object-Relational Features for different ways of
-- accessing Oracle Objects.

-- View the (unformatted) details from SQL*Plus
SELECT attribute_name, attribute_num_value, attribute_str_value,
       prior_probability, conditionals,
  FROM TABLE(DBMS_DATA_MINING.GET_MODEL_DETAILS_NB('census_model');

書式化のルールは、nbdemo.sqlを参照してください。

GET_MODEL_DETAILS_NMFファンクション

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;

パラメータ

戻り値

(feature_id       NUMBER,
 attribute_set    DM_NMF_ATTRIBUTE_SET)

     (attribute_name    VARCHAR2(30),
      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型の行をパイプライン出力します。 ODMのデータ型およびテーブル・ファンクションからのパイプライン出力については、「データ型」を参照してください。

例

この例では、my_nmf_modelというNMFモデルを事前に作成していると想定します。 このモデルのディテールを取り出すには、次のようにします。

--View (unformatted) details from SQL*Plus
SELECT feature_id, attribute_set
FROM TABLE(DBMS_DATA_MINING.GET_MODEL_DETAILS_NMF(
        'my_nmf_model'));

GET_MODEL_DETAILS_OCファンクション

このテーブル・ファンクションは、O-Clusterクラスタ化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化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)
RETURN DM_CLUSTERS PIPELINED;

パラメータ

戻り値

(id               INTEGER,
 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(30),
      conditional_operator     CHAR(2) /*=,<>,<,>,<=,>=*/,
      attribute_num_value      NUMBER,
      attribute_str_value      VARCHAR2(4000),
      attribute_support        NUMBER,
      attribute_confidence     NUMBER)

      (attribute_name   VARCHAR2(30)
       mean             NUMBER,
       mode_value       VARCHAR2(4000),
       variance         NUMBER)

    (attribute_name    VARCHAR2(30),
     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)

          (attribute_name           VARCHAR2(30),
           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型の行をパイプライン出力します。 ODMのデータ型およびテーブル・ファンクションからのパイプライン出力については、「データ型」を参照してください。

例

この例では、my_oc_modelというOCモデルを事前に作成していると想定します。 このモデルのディテールから情報を取り出すには、次のようにします。

--View (unformatted) details from SQL*Plus
SELECT T.id           clu_id,
       T.record_count rec_cnt,
       T.parent       parent,
       T.tree_level   tree_level
  FROM (SELECT *
          FROM TABLE(DBMS_DATA_MINING.GET_MODEL_DETAILS_OC(
                 'my_oc_model'))
        ORDER BY id) T
 WHERE ROWNUM < 11;

GET_MODEL_DETAILS_SVMファンクション

このテーブル・ファンクションは、サポート・ベクター・マシン・モデルのディテールを表す行の集合を戻します。 このテーブル・ファンクションを適用できるのは、線形カーネルを使用して作成された分類モデルまたはリグレッション・モデルに限られます。 その他のカーネルについては、ORA-40215が戻されます。

構文

DBMS_DATA_MINING.GET_MODEL_DETAILS_SVM (
  model_name      IN       VARCHAR2)
 RETURN DM_SVM_LINEAR_COEFF_SET PIPELINED;

パラメータ

戻り値

(class            VARCHAR2(4000),
 attribute_set    DM_SVM_ATTRIBUTE_SET)

     (attribute_name      VARCHAR2(30),
      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_SVM_LINEAR_COEFF型の行をパイプライン出力します。 ODMのデータ型およびテーブル・ファンクションからのパイプライン出力については、「データ型」を参照してください。

DM_SVM_LINEAR_COEFFのclass列は分類ターゲット値を表します。 リグレッションのターゲットの場合、classはNULLです。 分類モデルの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クラス分類子モデルおよびリグレッション・モデルの場合は、係数の単一集合のみが戻されます。

ネストした表DM_SVM_ATTRIBUTE_SETのattribute_value列は、カテゴリ属性で使用されます。 coefficient列は、線形係数の値です。

例

この例では、SVM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_MODEL_DETAILS_SVMをコールする方法を示します。

 -- Create SVM model
BEGIN
  dbms_data_mining.create_model(
    model_name           => 'SVM_Clas_sample',
    mining_function      => dbms_data_mining.classification,
    data_table_name      => 'svmc_sample_build_prepared',
    case_id_column_name  => 'id',
    target_column_name   => 'affinity_card',
    settings_table_name  => 'svmc_sample_settings');
END;
/
-- Display model details
SELECT *
  FROM TABLE(DBMS_DATA_MINING.GET_MODEL_DETAILS_SVM('SVM_Clas_sample'))
ORDER BY class;

GET_MODEL_DETAILS_XMLファンクション

このテーブル・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。

構文

DBMS_DATA_MINING.GET_MODEL_DETAILS_XML (
  model_name      IN       VARCHAR2)
 RETURN XMLTYPE;

パラメータ

戻り値

使用上の注意

このファンクションは、ディシジョン・ツリーを表すXMLを戻します。この定義は、Data Mining Group Predictive Model Markup Language（PMML）バージョン2.1の仕様で規定されている定義です。 この仕様については、http://www.dmg.orgを参照してください。

GET_MODEL_SETTINGSファンクション

このテーブル・ファンクションは、モデルの作成に使用された設定のリストを戻します。

構文

DBMS_DATA_MINING.GET_MODEL_SETTINGS(
   model_name           IN VARCHAR2)
 RETURN DM_MODEL_SETTINGS PIPELINED;

パラメータ

戻り値

(setting_name    VARCHAR2(30),
setting_value    VARCHAR2(128))

使用上の注意

このテーブル・ファンクションは、DM_MODEL_SETTING型の行をパイプライン出力します。 ODMのデータ型およびテーブル・ファンクションからのパイプライン出力については、「データ型」を参照してください。

このテーブル・ファンクションを使用すると、モデルの作成に使用された設定を確認できます。 このファンクションの目的は情報の参照に限られています。モデルの設定は変更できません。

例

この例では、Naive Bayesアルゴリズムを使用して、census_modelという分類モデルを事前に作成していると想定します。 Oracle SQLを使用してこのモデルの設定を参照するには、次の文を実行します。

SELECT setting_name, setting_value
  FROM TABLE(DBMS_DATA_MINING.GET_MODEL_SETTINGS('census_model'));

GET_MODEL_SIGNATUREファンクション

このテーブル・ファンクションはモデルのシグネチャを戻します。シグネチャは、APPLY操作への入力として必要になる個々のマイニング属性の名前と型を表す行の集合です。

ケースIDはマイニング属性とみなされません。 分類モデルとリグレッション・モデルでは、ターゲット属性もモデルのシグネチャに入りません。

構文

DBMS_DATA_MINING.GET_MODEL_SIGNATURE(
  model_name           IN VARCHAR2)
RETURN DM_MODEL_SIGNATURE PIPELINED;

パラメータ

戻り値

(attribute_name      VARCHAR2(30),
 attribute_type      VARCHAR2(106))

使用上の注意

このテーブル・ファンクションは、DM_MODEL_SIGNATURE型の行をパイプライン出力します。 ODMのデータ型およびテーブル・ファンクションからのパイプライン出力については、「データ型」を参照してください。

このテーブル・ファンクションを使用すると、モデルの作成に使用された属性のリスト（シグネチャ）を取得できます。 モデルを作成した時点、またはモデルを別の定義にインポートした時点からかなり長い時間が経った後で、テスト・データまたはスコアリング・データにモデルを適用（APPLY）する場合は、このファンクションを使用してモデルの属性リストを確認することをお薦めします。

例

この例では、Naive Bayesアルゴリズムを使用して、census_modelという分類モデルを事前に作成していると想定します。 Oracle SQLを使用してこのモデルのシグネチャを参照するには、次の文を実行します。

SELECT attribute_name, attribute_type
  FROM TABLE(DBMS_DATA_MINING.GET_MODEL_SIGNATURE('census_model');

IMPORT_MODELプロシージャ

このプロシージャは、EXPORT_MODELまたはexpdpエクスポート・ユーティリティによって作成されたダンプ・ファイル・セットから、指定されたデータ・マイニング・モデルをインポートします。 IMPORT_MODELとEXPORT_MODELの両方で、Oracle Data Pumpテクノロジが使用されています。

構文

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);

パラメータ

使用上の注意

インポートするモデルは、model_filterパラメータで指定します。 モデルは、名前に基づいて指定できます。また、同じ特性を持つモデルの集合を指定することもできます。 名前に基づいてモデルを指定する場合は、1つのモデル名を指定するか、または複数のモデル名をカンマで区切って指定します。 同じ特性を持つモデルの集合を指定する場合は、DM_USER_MODELSビューに対する問合せのWHERE句を完成する条件式を使用します。 DM_USER_MODELSには、現行のスキーマ内のモデルが表示されます。 次の列が表示されます。

 Name                                      Null?    Type
 ----------------------------------------- -------- ----------------------------
 NAME                                      NOT NULL VARCHAR2(25)
 FUNCTION_NAME                                      VARCHAR2(30)
 ALGORITHM_NAME                                     VARCHAR2(30)
 CREATION_DATE                                      DATE
 BUILD_DURATION                                     NUMBER
 TARGET_ATTRIBUTE                                   VARCHAR2(30)
 MODEL_SIZE                                         NUMBER

DM_USER_MODELSの列については、「ユーザー・ビュー」を参照してください。

model_filterの条件式を作成するには、列名、サポートされている条件演算子、および値を指定します。 サポートされている条件演算子には、<、<=、=、=>、>、LIKEおよびINがあります。 条件演算子およびWHERE句については、『Oracle Database SQLリファレンス』を参照してください。

表25-43に、モデル・フィルタの例を示します。

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、IMPORT_FULL_DATABASE権限があります。

SQL>CONNECT dmuser2/dmuser2_psw
SQL>SELECT name FROM dm_user_models;
    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 ('NMF_SH_SAMPLE_out', 'DATA_PUMP_DIR',
                            'name = ''NMF_SH_SAMPLE''');
-- import the model back into the same schema
SQL>EXECUTE DBMS_DATA_MINING.IMPORT_MODEL ('NMF_SH_SAMPLE_out01.dmp',
                            'DATA_PUMP_DIR', 'name = ''NMF_SH_SAMPLE''');

-- connect as different user
-- import same model into that schema
SQL>CONNECT dmuser3/dmuser3_psw
SQL>EXECUTE DBMS_DATA_MINING.IMPORT_MODEL ('NMF_SH_SAMPLE_out01.dmp',
                            'DATA_PUMP_DIR', 'name = ''NMF_SH_SAMPLE''',
                            'IMPORT', NULL, 'nmf_imp_job', 'dmuser2:dmuser3');

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。 ダンプ・ファイルは、DM_DUMPというディレクトリ・オブジェクトにマップされたファイル・システム・ディレクトリに保存されています。 ユーザーMARYがIMPORT_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');
  DBMS_OUTPUT.PUT_LINE(
'DBMS_DATA_MINING.IMPORT_MODEL of all models from SCOTT done!');
END;
/

RANK_APPLYプロシージャ

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_result_tab_name   IN VARCHAR2,
      top_N                          IN INTEGER 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

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。 このプロシージャの基本動作は、モデル型には依存しません。重要な入力パラメータは、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。

分類モデル: NB、ABN、SVM

ターゲットが数値である場合、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)

ターゲットがカテゴリである場合、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)

k-MeansまたはO-Clusterを使用するクラスタ化

クラスタ化は非監視型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。 コスト・マトリックスは考慮されません。 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ます。この表のクラスタ識別子はtop-Nによってランク付けされます。

(case_id       VARCHAR2/NUMBER,
cluster_id     NUMBER,
probability    NUMBER,
rank           INTEGER)

NMFを使用する特徴抽出

特徴抽出も非監視型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。 コスト・マトリックスは考慮されません。 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ます。この表の機能識別子はtop-Nによってランク付けされます。

(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 build 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;

RENAME_MODELプロシージャ

このプロシージャは、データ・マイニング・モデルの名前を指定された新しい名前に変更します。

構文

DBMS_DATA_MINING.RENAME_MODEL (
     model_name            IN VARCHAR2,
     new_model_name        IN VARCHAR2);

パラメータ

使用上の注意

RENAME_MODELを使用すると、既存のマイニング・モデルの名前を変更できます。

RENAME_MODELの動作は、SQL DDL RENAMEの動作と似ています。 その実行中には、DROP_MODELおよびCREATE_MODELはブロックされ実行できません。 一方、APPLYでは、SQL問合せと同様にモデル・データは更新されないため、RENAME_MODELの実行中でもAPPLYを実行できます。

ただし、APPLYでモデルを使用しているときに、そのモデルの名前を変更すると、RENAME操作は成功しますが、APPLYからは不確定な結果が戻されます。 この動作は、DDL操作によって問合せ操作がブロックされないというRDBMSの標準的な動作に準拠しています。

例

census_modelというモデルがあるとします。 次の例は、このモデルの名前を変更する方法を示しています。

BEGIN
  DBMS_DATA_MINING.RENAME_MODEL(
    model_name      => 'census_model',
    new_model_name  => 'census_new_model');
END;
/