節點.pptVIP

次序分析的名詞解釋 實例–48，和Apriori不同，是指符合前項且符合後項的筆數 支援度–15.0=75/500，是指符合前項的客戶佔全部客戶的比例 信賴度 – 64.0= 48/75，是指符合前項且符合後項的客戶佔符合前項客戶的比例 規則支援%– 9.6= 48/500，指符合前項且符合後項的客戶佔全部客戶的比例 執行後的關聯規則 不同的排序準則 (成功率92%=690/750) 重複修理( 22.133% = 166/750個id) 練習:失敗案例 FailTelrepair.txt 資料關聯範例四 節點【Sequence】檔案 weblog.txt 912 ID 3000 records 3 fields 【變數檔案】節點 【類型】節點 【表格】節點 【序列】節點 執行後的關聯規則1個 降低最小規則支援度20%?1% 信賴度100%時支援度等於規則支援度 序列節點產生的3個預測欄位 產生某選定規則的超級節點 序列規則超級節點的選項 超級節點增加的欄位 * * 資料探勘與Modeler使用介紹 資料分類-C5.0和CRT 模型 資料集群-K-means和模型評估 4 2 3 1 SPSS Modeler資料探勘實務基礎 資料關聯-Apriori和Sequence 關聯範例一:購物產品關聯分析 關聯範例二:訓練課程需求預測 關聯範例四:網頁瀏覽行為分析 4 2 3 1 3.資料關聯-Apriori和Sequence 關聯範例三:維修案例的次序分析 資料關聯範例 一 節點【Apriori】檔案 shopping.txt 786 records 15 fields 關聯法則基本概念 在資料探勘的領域之中，關聯性法則(association rule)是最常被使用的方法。關聯性法則在於找出資料庫中的資料間彼此的相關聯性。 在關聯性法則之使用中，Apriori是最為著名且廣泛運用的演算法。最早是由Agrawal Srikant 等兩位學者於1994年首先提出。 if前項antecedent(s) then後項consequent(s) 購物產品關聯分析 shopping.txt的欄位計有15項，產品分為10個類別分別是Ready made、Frozen Food、Alcohol 、 Fresh Vegetables、 Milk、 Bakery goods 、 Fresh meat、 Toiletries、 Snacks、Tinned Goods，有買資料值為1，沒買則資料值為0 基本資料包括GENDER 、 AGE、 MARITAL、 CHILDREN、WORKING ( Currently employed?) 【變數檔案】節點 【類型】節點 欄位的角色設定 【輸入】表示允許資料進入Apriori模型節點作分析，此項資料僅會在關聯規則的前項中出現。 【目標】表示設定資料為Apriori模型節點的輸出欄位，輸出欄位可以是連續型數值也可以是類別型資料。此項資料僅會在關聯規則的後項中出現。 【兩者】表示資料進入Apriori模型節點分析，此欄位中的資料可以在關聯規則的前項也可以在關聯規則的後項中出現。 【無】表示資料將被Apriori模型節點忽略。 【Apriori】節點 關聯模型注意事項 建模時可以設定支援度、信心度等建模的細節，當門檻值過高而無法生成模型時，使用者須適度調整門檻值 執行後產生關聯規則的模型，可以查看詳細的規則內容。排序的規則有支援度(Support)、信賴度(Confidence) 、規則支援% (Rule Support)、後項(Consequent)、提昇(Lift)以及可部署性(Deployability)等方式， 使用者可依需求選擇 執行後的關聯規則4個 顯示更多的準則 名詞解釋 以第一個關聯規則為例說明如下: 全部總共786筆資料 買Milk和Frozen Food的人是85筆 買Bakery goods的人是337筆 買Milk和Frozen Food而且買Bakery goods的人是71筆 買Milk和Frozen Food但不買Bakery goods的人是14筆 後項– Bakery goods 前項– Milk和Frozen Food 實例– 85，即符合前項的筆數 名詞解釋 支援度–10.814 = 85/786，是指購買前項產品的客戶佔全部客戶的比例 信賴度 - 83.529 = 71/85，是指購買前項產品的客戶中也買後項產品的比例 規則支援%(即支援度x信賴度)–9.033 = 10.814% x 83.529% 或= 71 / 786，指購買前項產品也買後項產品的客戶佔全部客戶的比例 提昇–1.948 = (71/85)/ (337