Партнерка на США и Канаду по недвижимости, выплаты в крипто
- 30% recurring commission
- Выплаты в USDT
- Вывод каждую неделю
- Комиссия до 5 лет за каждого referral
1. Это помогает установить ассоциативные правила не только между отдельными элементами, но и между различными уровнями иерархии (группами).
2. Отдельные элементы могут иметь недостаточную поддержку, но в целом группа может удовлетворять порогу minsupport.
Для нахождения таких правил нужно каждую транзакцию нужно дополнить всеми предками каждого элемента, входящего в транзакцию. Однако, применение этих алгоритмов напрямую неизбежно приведет к следующим проблемам:
1. Элементы на верхних уровнях иерархии стремятся к значительно большим значениям поддержки по сравнению с элементами на нижних уровнях.
2. С добавлением в транзакции групп увеличилось количество атрибутов и соответственно размерность входного пространства. Это усложняет задачу, а также ведет к генерации большего количества правил.
3. Появление избыточных правил, противоречащих определению обобщенного ассоциативного правила, например, 'Сок' 
'Прохладительные напитки'. Очевидно, что практическая ценность такого 'открытия' нулевая при 100% достоверности. Следовательно, нужны специальные операторы, удаляющие подобные избыточные правила.
Группировать элементы можно не только по вхождению в определенную товарную группу, но и по другим характеристикам, например по цене (дешево, дорого), брэнду и т. д.
Определение 'интересных' правил
Для решения задачи, поиска 'излишних' обобщенных ассоциативных правил применяется такой параметр правила как уровень интереса.
Пусть Z – это предок Z, где Z и Z – множества элементов, входящих в иерархию (Z, Z 
I). Z является предком Z, только в том случае, если Z можно получить из Z путем подмены одного или нескольких элементов их предками. Если рассматривать иерархию на рис. 2, то примером могут быть эти два множества: Z={Сок, Кефир, Бумага}, Z={Напитки, Молочные продукты, Бумага}. Будем называть правила X 
Y, X Y, X Y предками правила X Y.
Правило X 
Y является ближайшим предком правила X 
Y, если не существует такого правила X' Y', что X' Y' – это предок X Y и X Y – это предок X' Y'.
Численные ассоциативные правила
При поиске ассоциативных правил задача была существенно упрощена. По сути все сводилось к тому, присутствует в транзакции элемент или нет. Т. е. если рассматривать случай рыночной корзины, то мы рассматривали два состояния: куплен товар или нет, проигнорировав, например, информацию о том, сколько было куплено, кто купил, характеристики покупателя и т. д. И можно сказать, что рассматривали 'булевские' ассоциативные правила. Если взять любую базу данных, каждая транзакция состоит из различных типов данных: числовых, категориальных и т. д. Для обработки таких записей и извлечения численных ассоциативных правил также были предложены алгоритм поиска.
Помимо описанных выше ассоциативных правил существуют косвенные ассоциативные правила, ассоциативные правила c отрицанием, временные ассоциативные правила для событий связанных во времени и другие.
Работа в MS BI Studio
Предварительные действия
1. Запустить среду SQL Server Server Business Intelligence Development Studio (или MS Visual Studio).
2. Создать новый проект типа Business Intelligence project -> Analysis Service project.
3. Подключиться к источнику данных (сервер = localhost, БД = AdwentureWorksDW).
4. Определить источник данных (тип авторизации = use the service account).
5. Создать Представление данных (data Source View), в которое включить все таблицы тестовой БД AdwentureWorks.
Классификация
Создание модели кластеризации
Создать модель классификации на основе данных в таблице покупателей велосипедов (vTargetMail). Построить дерево решений, которое покажет, как зависит решение о покупке велосипеда от сведений о человеке.
Классы объектов: «Покупатель», «НЕ покупатель» велосипедов.
Прогнозируемый атрибут: покупка велосипеда (ДА/НЕТ)
Исходные атрибуты: ФИО, образование, количество детей, семейный статус, количество автомобилей, пол, возраст и т. д.
ВНИМАНИЕ: при построении модели необходимо сменить тип regular на discrete для поля Покупатель велосипеда и всех полей, имеющих тип long (age и др.).
На панели Solution Explorer в контекстном меню Mining Structures выбрать New Mining Structure
В мастере создания модели нажать Next->
нажать Next-> Выбрать алгоритм Дерево решений, нажать Next-> Выбрать источник данных,
нажать Next->
нажать Next-> Выбрать таблицу для анализа данных (vTargetMail):
нажать Next-> Выбрать данные для тренировки (CustomerKey как ключевой, BikeBuyer как Входной и предсказываемый):
Нажать Suggest (Мотивация решения).
В результате анализа исходных данных будет показана связь между входными и предсказываемым столбцами.
Указать входные столбцы и нажать ОК:
В окне мастера нажать Next->
Сменить тип regular на discrete для поля Покупатель велосипеда и всех полей, имеющих тип long (age и др.):
Нажать Finish.
Переименовать модель и ее структуру и нажать finish:
Результат:
Развертывание модели
На панели Solution Explorer в контекстном меню Структуры анализа данных выбрать Process.
Если будет вопрос об обновлении данных, то ответить ДА.
В окне развертывания нажать Run:
В окне результатов будет показан ход процесса построения модели и го результат:
Закрыть все лишние окна (Close).
Просмотр модели
Двойным щелчком по структуре модели (На панели Solution Explorer ) открыть окно ее просмотра и редактирования:
Просмотреть и интерпретировать полученную модель. Дать пояснения по результатам построенной модели (кто покупает велосипеды) по вкладкам. Продемонстрировать работу с результатами модели.
Открыть вкладку Mining Model Viewer (Decision Tree) – показывает дерево решения:
Продемонстрировать приемы работы с моделью:
· Изменить количество уровней;
· увеличить/уменьшить;
· изменить фон (покупатель/не покупатель);
· просмотреть легенду:
Открыть вкладку Mining Model Viewer (Dependency Network) – показывает влияние входных параметров на результат:
Ползунком выявить самую сильную/слабую связь.
|
Из за большого объема этот материал размещен на нескольких страницах:
1 2 3 4 5 |
Основные порталы (построено редакторами)