First obligation of a prisoner is to escape (John Sheridan)

Подключаемся dmsys/dmsys

Таблица для настроек модели.

create table CRED_SETTINGS (
  SETTING_NAME  VARCHAR2(30),
  SETTING_VALUE VARCHAR2(128));

Заполняем настройки, попробуем алгоритм algo_naive_bayes

begin
DELETE FROM CRED_SETTINGS;
INSERT INTO CRED_SETTINGS (setting_name, setting_value)
  VALUES (dbms_data_mining.algo_name, dbms_data_mining.algo_naive_bayes);
INSERT INTO CRED_SETTINGS (setting_name, setting_value)
  VALUES (dbms_data_mining.nabs_singleton_threshold , TO_CHAR(0.01));
INSERT INTO CRED_SETTINGS (setting_name, setting_value)
  VALUES (dbms_data_mining.nabs_pairwise_threshold, TO_CHAR(0.01));
COMMIT;
end;

Таблица с тренировочными данными.

create table CRED_TRAINING(
  id number,             -- уникальный id
  age float,             -- возраст нормализованный (0..1)
  sex varchar2(1),       -- пол 
  num_child float,       -- кол-во детей (0..1)
  accepted varchar2(1)); -- цель (даем/не даем кредит)

Заполняем тренировочными данными (0,9 -- стареньким кредит не даем).

insert into CRED_TRAINING values (0, '0,1', 'm', '0,5', 'y');
insert into CRED_TRAINING values (1, '0,9', 'f', '1', 'n');
insert into CRED_TRAINING values (2, '0,9', 'm', '0,5', 'n');
insert into CRED_TRAINING values (3, '0,9', 'm', '0,5', 'n');
insert into CRED_TRAINING values (4, '0,4', 'm', '0,5', 'y');
insert into CRED_TRAINING values (5, '0,3', 'm', '0', 'y');
insert into CRED_TRAINING values (6, '0,4', 'm', '0,5', 'y');
insert into CRED_TRAINING values (7, '0,2', 'm', '0,5', 'y');
insert into CRED_TRAINING values (8, '0,4', 'm', '0,5', 'y');
insert into CRED_TRAINING values (9, '0,3', 'm', '0,5', 'y');
commit;

Тренируем, модель называем CRED, используем classification т.к. цель y/n

begin 
dbms_data_mining.create_model('CRED', dbms_data_mining.classification, 
                      'cred_training', 'id','accepted', 'cred_settings');
commit;
end;

Проверяем модель на исходных данных, результат попадет в CRED_RESULT
(создается автоматически).

begin 
--execute immediate 'drop table CRED_RESULT';
dbms_data_mining.apply('cred', 'cred_training', 'ID', 'CRED_RESULT');
commit;
end;

В результирующей таблице, получаем вероятность для каждого класса.

select t.id, t.accepted, r.prediction, round(r.probability,2)
from cred_training t, cred_result r
where t.id = r.id and  r.probability >0.3

ID	ACCEPTED	PREDICTION	ROUND(R.PROBABILITY,2)
1	n	n	1
5	y	y	1
6	y	y	1
7	y	y	1
8	y	y	1
9	y	y	1
2	n	n	1
3	n	n	1
4	y	y	1
0	y	y	1

Все совпадает с вероятностью 1.

Проверяем на "дедушках"

create table CRED_QUERY as 
select id, age, sex, num_child from CRED_TRAINING where 1=0;
insert into CRED_QUERY values (0, '0,9', 'f', '0');
insert into CRED_QUERY values (1, '0,9', 'm', '1');
insert into CRED_QUERY values (2, '0,9', 'f', '0,5');
insert into CRED_QUERY values (3, '0,9', 'm', '0');
insert into CRED_QUERY values (4, '0,9', 'm', '0,5');
commit;

begin
execute immediate 'drop table CRED_RESULT';
dbms_data_mining.apply('cred', 'CRED_QUERY', 'ID', 'CRED_RESULT');
commit;
end;

select t.*,r.prediction, round(r.probability,2) 
from CRED_QUERY t, cred_result r
where t.id = r.id and  r.probability >0.2

ID	AGE	SEX	NUM_CHILD	PREDICTION	ROUND(R.PROBABILITY,2)
0	0,9	f	0	n	1
1	0,9	m	1	n	1
2	0,9	f	0,5	n	1
3	0,9	m	0	n	0,67
3	0,9	m	0	y	0,33
4	0,9	m	0,5	n	1

Одному из дедушек с полом m и без детей повезло больше, вероятность положительного ответа 0,33.