资讯管理课程.ppt

* 資料探勘課程---李淑芬老師 * A Five-Step Approach for Unsupervised Clustering —Cont. 接著會看到建立好的 8 個群集，表示資料探勘完成，會詢問你是否產生報表，按 No，因為依經驗法則，多於 5、6 群的非監督式分群可能不是最佳結果。 然後出現『Dataset not mined』的視窗，按確定。 重複先前的步驟，這次將相似度改為 55，容限值仍是 1.0，則mining出的結果為 3 群，則按確定產生報表。 經 1 至 2 分鐘後，出現圖4.6 RuleMaker 選項的視窗畫面，可設定也可直接跳過。將畫面中 Minimum rule coverage設定為 30，其餘參數值採預設值，按確定，則出現結果如圖4.7。 * 資料探勘課程---李淑芬老師 * A Five-Step Approach for Unsupervised Clustering —Cont. Step3：解釋摘要結果 (工作表：Sheet1 RES SUM) * 資料探勘課程---李淑芬老師 * A Five-Step Approach for Unsupervised Clustering —Cont. =(最大類別平均值 - 最小平均值) / 資料標準差 可看出哪一類型屬性最適合來辨識各群集的屬性 * 資料探勘課程---李淑芬老師 * A Five-Step Approach for Unsupervised Clustering —Cont. Step4：針對每一群集解釋其結果，以Class 3摘要結果來說明 (Sheet1 RES CLS) Typicality：代表值，是一筆資料與其所屬類別中 其他成員的平均相似度。 Predictability：可預測性，指在某類別中，某屬性值 佔了多少比例，如 0.57表示在 Class 3 中，有57% 的比例屬性值是 30-40K。 Predictiveness：預測度，指一筆資料範例屬性A的值 為 vi 的情況下，該筆資料範例屬於 類別C 的機率，如預測度 1.00 表示 年收入50-60K的資料都落在Class 3中 ，因此50-60K 為Class 3的充要條件。 *如一個屬性值可預測性和預測度皆為1.0，表示 該類別中所有資料都具有該屬性值，且此屬性值的 資料都在該類別中，因此此屬性值為該類別的必要 且充要成員。 *如一個屬性值預測度為1.0，而可預測性小於1.0， 表示此屬性值的資料都在該類別中，則此屬性值 為該類別的充要但非必要成員。 * 如一個屬性值可預測性為1.0，而預測度小於1.0， 表示該類別中所有資料都具有該屬性值，則此屬 性值為該類別的必要但非充要成員。 * 資料探勘課程---李淑芬老師 * A Five-Step Approach for Unsupervised Clustering —Cont. Step5：顯示每一群集與定義其解釋規則 (Sheet1 RES RUL) * 資料探勘課程---李淑芬老師 * A Six-Step Approach for Supervised Learning 使用ESX 做監督式學習的六個步驟： Step1：將欲探勘的原始資料載入 Excel 中，並選擇一個輸入屬性。 Step2：執行資料探勘 Step3：讀取與解釋總結果 Step4：讀取與解釋測試集結果 Step5：讀取與解釋個別類別的結果 Step6：視覺化瀏覽與解釋類別規則 以表4.1 信用卡促銷資料為範例來說明。 * 資料探勘課程---李淑芬老師 * A Six-Step Approach for Supervised Learning —Cont. Step1：將欲探勘的原始資料載入 Excel 中，並選擇一個輸入屬性。 輸入屬性：收入範圍、信用卡保險、性別、與年齡。 * 資料探勘課程---李淑芬老師 * A Six-Step Approach for Supervised Learning —Cont. Step2：執行資料探勘 執行 iDA 功能表中 Begin Mining Session 選項，當出現註冊視窗時，輸入使用者名稱，公司名稱則輸入 student。而註冊碼於安裝的光碟中。(只有第一次使用 iDA 才需要註冊) 接著會出