SPSS_Clementine典型案例分析.pptxVIP

SPSS_Clementine典型案例分析共24页，您现在浏览的是第1页!数据挖掘原理与SPSSClementine应用宝典元昌安主编邓松李文敬刘海涛编著电子工业出版社SPSS_Clementine典型案例分析共24页，您现在浏览的是第2页!第24章SPSSClementine典型案例分析SPSS_Clementine典型案例分析共24页，您现在浏览的是第3页!本章包括：市场购物篮分析利用决策树模型挖掘商业信息利用神经网络对数据进行欺诈探测SPSS_Clementine典型案例分析共24页，您现在浏览的是第4页!24.1.1定义数据源SPSS_Clementine典型案例分析共24页，您现在浏览的是第5页!24.1.3准备数据在这18个字段中，有一些对于挖掘知识来说是没有用的，如cardid等，这时我们就可以把这些暂时没有用到的字段剔除出挖掘过程。这样可以节约挖掘时间和效率。SPSS_Clementine典型案例分析共24页，您现在浏览的是第6页!24.2利用决策树模型挖掘商业信息过程如下:Step1：添加一个“变项文件”节点。Step2:加入一个“导出”节点。Step3:对“导出”节点进行设置。Step4:加入“Healthfood”字段之后，在“导出”节点后再加入一个“类型”节点，用来选择哪些字段用来进行数据挖掘。根据挖掘的目标，可以设置个人信息为“输入”，“Healthfood”设置为“输出”Step5:加入“C5.0”节点。Step6:点选“执行（E）”Step7:从“查看器”中查看该结果SPSS_Clementine典型案例分析共24页，您现在浏览的是第7页!一般生成的决策树都是经过剪枝的。下面看看剪枝程度的高低对挖掘结果的影响。选中“模式”中的“专家”，把“修剪严重性”的值改为“0”，这意味着在挖掘过程中，进行的剪枝程度将很小。模型名称改为“nocut”。SPSS_Clementine典型案例分析共24页，您现在浏览的是第8页!利用剪枝程度较高的决策树、剪枝程度低的决策树、规则集生成的结果，可以通过Clementine系统提供的很多模型来进行精度测试。在这儿选用“分析”节点。生成的结果显示剪枝程度高的模型正确率为93.8％。同样的原理，测试“nocut”。剪枝程度低的精度为94.7％。SPSS_Clementine典型案例分析共24页，您现在浏览的是第9页!24.3.1定义数据源使用一个“变项文件”节点连接到数据集grantfraudN.db。在“变项文件”节点之后增加一个“类型”节点到数据流中。SPSS_Clementine典型案例分析共24页，您现在浏览的是第10页!24.3.3准备数据首先考虑数据集中可能存在的欺诈类型。在该数据流中连接一个“条形图”节点并选定字段名为“name”的字段。选中“name”字段之后，点击“执行”。SPSS_Clementine典型案例分析共24页，您现在浏览的是第11页!为了发现那些偏离估计值的农场，先生成一个字段――diff，代表估计值与实际值偏离的百分数。在数据流中再增加一个“导出”节点进行设置。在数据流中增加一个“直方图”节点。对“直方图”节点进行设置。。SPSS_Clementine典型案例分析共24页，您现在浏览的是第12页!在数据流上添加一个“神经网络”节点。执行此数据流。神经网络经过训练后，会产生一个模型。将产生的模型加入到数据流流中。然后在数据流中再增加一个“散点图”节点，对“散点图”节点进行设置。设置完成之后，执行。SPSS_Clementine典型案例分析共24页，您现在浏览的是第13页!最后，在数据流中增加一个“条形图”节点。双击该节点，在“字段”下拉列表中选择“name”字段，点击“执行（E）”，得出结果如图所示。在图中所显示的就是我们要重点关注的数据。SPSS_Clementine典型案例分析共24页，您现在浏览的是第14页!24.1市场购物篮分析本节的例子采用Clementine系统自带的数据集BASKETS1n。该数据集是超市的“购物篮”（一次购物内容的集合）数据和购买者个人的背景数据，目标是发现购买物品之间的关联分析。SPSS_Clementine典型案例分析共24页，您现在浏览的是第15页!24.1.2理解数据在建模之前，我们需要了解数据集中都有哪些字段，这些字段如何分布，它们之间是否隐含着某种相关性等信息。只有了解这些信息后才能决定使用哪些字段，应用何种挖掘算法和算法参数。这个过程就是一个理解数据的过程。SPSS_Clementine典型案例分析共24页，您现在浏览的是第16页!24.1.4建模对字段设置完毕之后，下一步就是选择挖掘所需要的模型，在这里我们会选择使用三