Clemintine中神经网络挖掘应用实验指导书.docxVIP

【实验名称】 神经网络在数据挖掘中的应用 【实验目的】 1、认识神经网络的根本组成以及它们的属性和功能。 2、描述神经网络通常执行的学习任务，如模式关联、模式识别、估计、控制以及过滤 3、认识神经网络的根本流程。 4、经过案例把握神经网络操作技术。 【实验内容】 （一）、读入数据 （二）、计算促销前后销售额的变化率 （三）、为数据设置字段格式 （四）、神经网络学习经过 （五）、为训练网络建立评估模型1、将模型结果结点连接到数据流 2、添加字段比较猜测值与实际值 3、评价模型 （六）模型猜测1、猜测模型建立 2、输出规范化 3、选择促销方案 【实验步骤】 示例 goodlearn.str 经过对促销前后商品销售收入的比较，推断促销手段是否对增加商品 收益有关。Clementine 提供了多种猜测模型，包括 Nerual Net、Regression 和 Logistic。这 里我们用神经网络结点建模，评价该模型的优良以及对新的促销方案进行评估。 （一）读入数据 本示例的数据文件保存为 GOODS1n，我们向数据流程区添加 Var. File 结点，并将数据 文件读入该结点。 （二）计算促销前后销售额的变化率 向数据流增加一个 Derive 结点，将该结点命名为 Increase。在公式栏中输入(After - Before) / Before * 100.0 以此来计算促销前后销售额的变化。 （三）为数据设置字段格式 添加一个 Type 结点到数据流中。由于在制定促销方案前我们并不知道促销后商品的销 售额，所以将字段 After 的 Direction 属性设置为 None；神经网络模型需要一个输出，这里 我们将 Increase 字段的 Direction 设置为 Out，除此之外的其它结点全设置为 In。 （四）神经网络学习经过 在设置好各个字段的 Direction 方向后我们将 Neural Net 结点连接入数据 流。 在对 Neural Net 进行设置时我们选择快速建模方式（Quick），选中 Prevent overtraining 防止过度训练。同时我们还能够依据自己的需要设置训练停止的条件。 在建立好神经网络学习模型后我们运行这条数据流，结果将在管理器的Models 栏中显 示。选择查看该结果结点，我们能够对生成的神经网络各个方面的属性有所认识。 （五）为训练网络建立评估模型 1．将模型结果结点连接到数据流 将 Increase 结果结点连接在数据流中的 Type 结点后； 添加字段比较猜测值与实际值 向数据流中增加 Derive 结点并将它命名为 ratio，然后将它连接到Increase 结果结点。 设置该结点属性，将增添的字段的值设置为(abs(Increase - $N-Increase) /Increase) * 100，其 中$N-Increase 是由神经网络生成的猜测结果。经过该字段值的显示我们能够看出猜测值与 实际值之间的差异大小。 评价模型 能够经过观察猜测值与实际值之间的差异来评价模型的优劣。从 Graph 栏中选择 histogram 结点连接到 ratio 结点。 设置该结点，使其输出显示 ratio 的值（在 field 的下拉列表中选择ratio），输出结果如 下图所示： 该图形的横坐标为 ratio 的值，纵坐标表示一共有多少个样本的 ratio 值落在相对应的横 坐标上。从 ratio 的定义公式我们知道 ratio 越小表明猜测值与实际值的差别越 小，所以我们希望更多的 ratio 值处于一个比较小的范围。因此由输出图形我们能够看出该模型达到了一 定的精度。 （六）模型猜测1．猜测模型建立 该模型的建立就是为了猜测新样本。我们现将数据源的文件改为 GOODS2n； 然后按住 alt 键双击 Increase 结点以此来绕过该结点；断开 Increase 结果结点与 Ratio 结点之间的连接，再增添一个 Table 结点观察 Increase 结果结点的输出。在 Type 结点中我们只设置字段 after 的 Direction 属性为 None，其余的都为 In。经过这种方式建立好的数据流如下图所示： 右键单击 Table 结点，选择运行数据流。运行生成的结果如下，其中$N- Increase 为猜测 结果： 输出规范化 $N-Increase 栏表示促销后销售额可能增减的比率。由于神经网络的最后输出需要规范到[0,1]区间，所以我们选择输出值在(0,1)内连续的 S 形函数将结果 规范化。S 型函数表达式 为 f (x) 1 。我们经过增加 Derive 结点将结果其规范化。1 e x 选择促销方案 依据神经网络模型的猜测输出，我们能够选出 GOODS2n 文件中包含