商务智能应用分析型CRM.pptVIP

从图3中我们可以很直观的分析出客户申请信用卡对“收入”、“年龄”、“地区”、“职业”四个属性的反应。可以得出一下规则： 1）当收入小于等于2000元，如果年龄为中年的话一般没有兴趣； 2）当收入小于等于2000元，来自地区为华北、西北、东北或其它的年轻人，一般没有兴趣； 3）当收入小于等于2000元，来自地区为华东且为年轻人一般有兴趣； 4）当收入大于2000元，且来自华北、华东、东北或其它地区，一般有兴趣； 5）当收入大于2000元，来自西北地区且为年轻人一般有兴趣； 6）当收入大于2000元，来自西北地区且为中年人一般没有兴趣。 第三十一页，共七十页。 选择了合适的算法后，我们只需要把切分看成是把一组数据分成几份，份与份之间尽量不同，而同一份内的数据尽量相同。如果经过一次切分后得到的分组，每个分组中的数据都属于同一个类别，显然达到这样效果的切分方法就是我们所追求的。 假定我们利用历史数据建立了一个包含几百个属性、输出的类有十几种的决策树，这样的一棵树对人来说可能太复杂了，但每一条从根结点到叶子节点的路径所描述的含义仍然是可以理解的。决策树的这种易理解性对数据挖掘的使用者来说是一个显著的优点。然而决策树的这种明确性可能带来误导。比如，决策树每个节点对应分割的定义都是非常明确毫不含糊的，但在实际生活中这种明确可能带来麻烦（凭什么说年收入2001的人申请信用卡，而2000的人就没有