logo资料库

spss 关联分析.docx

发布时间：2022-06-24 发布人：admin 分类：说明书 资料大小：0.90M 资料格式：docx 举报 版权申诉
第1页 / 共12页
第2页 / 共12页
第3页 / 共12页
第4页 / 共12页
第5页 / 共12页
第6页 / 共12页
第7页 / 共12页
第8页 / 共12页
资料共12页，剩余部分请下载后查看
    SPSS Clementines 预测分析模型----啤酒+尿片故 事的实现机理（使用 11 版本实现） SPSS Clenmentines 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： 如超市商品如何摆放可以提高销量； 分析商场营销的打折方案，以制定新的更为有效的方案； 保险公司分析以往的理赔案例，以推出新的保险品种等等，具有很强的商业价值。 超市典型案例 如何摆放超市的商品引导消费者购物从而提高销量，这对大型连锁超市来说是一个现实的营 销问题。关联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特算法发现数据内在的规律性联系，进而提供 具有洞察力的分析解决方案。通过一则超市销售商品的案例，利用“关联规则模型”，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。 关联规则简介 关联规则的定义 关联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联规则。 有关数据挖掘关联规则的具体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联规则，我们首先来看下面的场景。 一个市场分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 以上的情景类似于当年沃尔玛做的市场调查：啤酒+尿片摆放在同一个货架上，销售业绩激 增的著名关联规则应用。 市场分析员分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就可用以 下的关联规则来描述： 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。 关联规则 式 1的支持度 2% 意味着，所分析的记录中的 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。如果关联满足最小支持度阈值和最小置信度阈值， 就说关联规则是有意义的。这些阈值可以由用户或领域专家设定。就顾客购物而言，根据以
    往的购买记录，找出满足最小支持度阈值和最小置信度阈值的关联规则，就找到顾客经常同 时购买的商品。 此处进行关联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 CustomerID ITEM 1 2 3 3 4 2.表格格式 bread jam juice jam milk CustomerID bread jam juice milk 1 2 3 4 T F F F F T T F F F T F F F F T 关联规则挖掘算法 Aprior、Carma 和序列节点是常用的关联规则挖掘算法，它们都可以使用交易格式和表格格 式数据进行挖掘处理。其中 Aprior 算法，处理速度快，对包含的规则数没有限制，是一种 最有影响的挖掘关联规则的方法。 本次试验将使用 SPSS Clementine11 自带的安装目录下的 Demos 文件夹下的 BASKETS1n 数据。希望分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，具体可参考表 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（冻肉），beer（啤酒）, wine（酒类），softdrink（软饮），fish （鱼）, confectionery（甜食）。 首先打开 Clementine ，会出现一张空白的流界面，这时用户可以在里面创建自己的流。 第一步，为流添加一个数据节点，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，如图所示。
    点击确定按钮，这时就成功的创建了数据节点。 第二步，为流添加类型节点，类型节点是显示和设置数据每个字段的类型、格式和角色。从 界面下方的“字段选项”卡中，将“类型”节点拖放到界面中，接着将数据节点和类型节点 连接起来，或者直接在“字段选项”卡中双击“类型”节点，将两者连接起来。这时双击打 开“类型”节点，此时“类型”节点中显示了数据的字段和其类型，点击“类型”节点界面 上的“读取值”按钮，这时会将数据节点中的数据读取过来。如下图所示。 接着可以为参与建模的数据字段设置角色，角色分“输入”，“目标”，“两者”和“无”。 输入表示该字段可供建模使用，目标表示该字段为建模的预测目标，两者表示该字段为布尔 型的输入字段，无表示该字段不参与建模。Apriori 节点需要一个或多个输入字段和一个或 多个目标字段，输入字段和输出字段必须是符号型字段。在此可以选择一个或多个字段为目
    标字段，表明该模型的预测目标字段；对于 Apriori 建模节点，也可以不设置目标字段， 则需要在建模节点中设置“后项”。 第三步，为流添加 过滤节点，将不参与的字段排除在外。该步骤为可选步骤。从“字段选 项”卡中选择“过滤”节点，并将其拖入到界面中，将“过滤”节点加入到流中。双击打开 “过滤”节点，在不参与建模字段的箭头上点击，会出现一个红叉，表示该字段被过滤掉了， 不参与建模，如图所示。 对于一些与建模关系不大的节点可以将其过滤掉，比如卡号、性别、家乡和年龄字段。 第四步，有了这些前期的准备过程，接下来就可以开始创建关联规则模型节点了，在此之前， 让我们先添加一个图形节点—— 网络节点，建立此节点的目的是为了让用户首先可以直观 的看到商品之间的关联程度，有一个感性认识。选择“图形”选项卡中的“网络”节点，将 此拖入界面，将“网络”节点加入流中，与“过滤”节点连接起来。双击打开网络节点，在 “字段”列表中选择添加字段，可以将所有的商品字段添加进来；也可以点击“仅显示真值 标志”，将只显示那些“两者”的字段，如图所示。
    点击“选项”卡，进入选项设置，用户可以在此设置链接数量的显示范围，不显示一些链接 数量低的链接，如图所示。 点击“运行”按钮，这时会生成一个商品之间关联程度（链接数量）的网络图，用户可以在 下方的调节杆上调节链接数量的显示范围。
    上图中，线的粗细和深浅代表联系的强弱，可以直观的看到 beer 和 frozenmeat，cannedeg 联系程度比较强。 第五步，添加“建模”节点到流中，开始关联规则模型设置和使用的篇章。首先点击界面下 方“建模”选项卡，再点击 Apriori，节点拖放到界面中，连接该节点到过滤节点上，或者 双击 Apriori 节点。接着设置 Apriori 节点的参数，建立关联规则模型。双击打开 Apriori 节点，如下图所示。
    该“字段”选项卡，是设置参与建模的字段和目标字段的，可以看到其中包括两个选项，“使 用类型节点设置”和“使用定制设置”，这里将为用户分别呈现两种选项的使用方法。这里 无论选择哪个选项，都需要将市场分析员重点关注的商品包括在其中，其他商品可以不包括。 如果用户选择“使用定制设置”选项，则需要将啤酒设置在“后项”列表中，将其他重点关 注的商品设置在“前项”列表中，如下图所示。 这里，分区允许您使用指定字段将数据分割为几个不同的样本，分别用于模型构建过程中的 训练、测试和验证阶段。如果设置了“分区”，除了在此选择分区字段外，还需要在“模型” 选项卡中，勾上“使用分区数据”的选择框。关于“分区”的概念、作用和使用方法，本文 不做详细介绍。
    分享到：
    赞 收藏

    相关推荐

    资料库

    数据库

    共收录1218份资料，累计14个分类，关注成员有19位，主要包括：NoSQL,MongoDB,Redis,SQLite,Memcached,DB2,Sybase,Informix,PostgreSQL,MySQL,SQLServer,Access,Oracle,其它

    热门标签

    NoSQL MongoDB Redis SQLite Memcached DB2 Sybase Informix PostgreSQL MySQL SQLServer Access Oracle 其它

    最新资料