SPSS关联模型步骤.docxVIP

. SPSSClementines预测解析模型----啤酒+尿片故 事的实现机理（使用11版本实现） SPSSClenmentines提供众多的预测模型，这使得它们可以应用在多种商业领域中： 如超市商品怎样摆放可以提高销量； 解析商场营销的打折方案，以拟定新的更为有效的方案； 保险公司解析过去的理赔案例，以推出新的保险品种等等，拥有很强的商业价值。 超市典型案例 怎样摆放超市的商品引导消费者购物进而提高销量，这对大型连锁超市来说是一个现实的营 销问题。关系规则模型自它诞生之时为此类问题提供了一种科学的解决方法。该模型利用数 据挖掘的技术，在海量数据中依据该模型的独到算法发现数据内在的规律性联系，进而提供 拥有洞察力的解析解决方案。经过一则超市销售商品的案例，利用“关系规则模型”，来分 析商品交易流水数据，以其发现合理的商品摆放规则，来帮助提高销量。 关系规则简介 关系规则的定义 关系规则表示不同数据项目在同一事件中出现的相关性，就是从大量数据中挖掘出关系规则。 相关数据挖掘关系规则的详细理论依据这里不做详细讲解，大家可以参看韩家炜的数据挖掘 概论。为了更直观的理解关系规则，我们首先来看下面的场景。 一个市场解析人员经常要考虑这样一个问题：哪些商品是频繁被顾客同时购买的？ 顾客1：牛奶+面包+谷类 顾客2：牛奶+面包+糖+鸡蛋 顾客3：牛奶+面包+黄油 顾客4：糖+鸡蛋 . 以上的情景近似于当年沃尔玛做的市场检查：啤酒+尿片摆放在同一个货架上，销售业绩激 增的著名关系规则应用。 市场解析员解析顾客购买商品的场景，顾客购买面包同时也会购买牛奶的购物模式便可用以 下的关系规则来描述： 面包=牛奶[支持度=2%,置信度=60%]（式1） 式1中面包是规则前项（Antecedent），牛奶是规则后项(Consequent)。实例数 （Instances）表示所有购买记录中包含面包的记录的数量。 支持度（Support）表示购买面包的记录数占所有的购买记录数的百分比。 规则支持度（RuleSupport）表示同时购买面包和牛奶的记录数占所有的购买记录数的百 分比。 置信度（confidence）表示同时购买面包和牛奶的记录数占购买面包记录数的百分比。 提升（Lift）表示置信度与已知购买牛奶的百分比的比值，提升大于1的规则才是有意义 的。 关系规则式1的支持度2%意味着，所解析的记录中的2%购买了面包。置信度60%表 明，购买面包的顾客中的60%也购买了牛奶。如果关系知足最小支持度阈值和最小置信 度阈值，就说关系规则是有意义的。这些阈值可以由用户或领域专家设定。就顾客购物而言， 根据过去的购买记录，找出知足最小支持度阈值和最小置信度阈值的关系规则，就找到顾客 经常同时购买的商品。 此处进行关系规则应用可以使用两种数据格式：1，交易数据格式，2，表格格式。 1.交易格式 CustomerIDITEM 1bread . 2 jam 3 juice 3 jam 4 milk 2.表格格式 CustomerID bread jam juice milk 1 T F F F 2 F T F F 3 F T T F 4 F F F T 关系规则挖掘算法 Aprior、Carma和序列节点是常用的关系规则挖掘算法，它们都可以使用交易格式和表格 格式数据进行挖掘办理。其中Aprior算法，办理速度快，对包含的规则数没有限制，是一 种最有影响的挖掘关系规则的方法。 本次试验将使用SPSSClementine11自带的安装目录下的Demos文件夹下的 BASKETS1n数据。希望解析出哪些商品会和啤酒一起购买，以此来合理安排商品的摆放， 进而提高啤酒的销量。 此数据属于表格格式数据，每条记录表示顾客的一次购物。记录的字段包括卡号、顾客基本 信息、付款方式和商品名称（每个商品一个字段,该商品字段值为T,表示购买该商品,值 为F表示未购买，详细可参照表2,表格格式数据）。商品名称都有fruitveg（水果蔬菜）， freshmeat（生鲜肉），dairy（奶制品），cannedveg（罐装蔬菜），cannedmeat（罐 . 装肉），fozenmeal （鱼）,confectionery 首先打开Clementine  （冻肉），beer（啤酒）,wine（酒类），softdrink（软饮）， （甜食）。 ，会出现一张空白的流界面，这时用户可以在里面创办自己的流。  fish 第一步，为流增添一个数据节点，这里选择Clementine自带的Demo数据。将界面下方选项卡的“数据源”选项中的“可变文件”拖放到空白界面中，双击打开，在文件选项卡中选择Clementine自带的Demo数据BASKETS1n，如下列图。 . 点击确定按钮，这时就成功的创办了数据节点