Лабораторна робота №3
Аналіз даних за допомогою технології Data Mining
Хід роботи
1) Дерево рішень:
Відкриваємо Business Intelligence Development Studio.
Вибираємо створений раніше проект MultidimensionalProject1 і відкриваємо його.
Створення структури інтелектуального аналізу даних
У Solution Explorer натискаємо правою кнопкою миші на Mining Models, вибираємо New Mining Model. Відкриється Mining Model Wizard.
Натискаємо Next на сторінці привітання.
Вибираємо From existing relational database or data warehouse, потім Next.
У розділі Which data mining technique do you want to use? Вибираємо Microsoft Decision Trees.
Натискаємо Next. За умовчанням як джерела даних тут обраний shop.
Натискаємо Next.
Позначаємо прапором Case таблицю accounts, потім натискаємо Next.
Позначаємо прапором Key стовпець account_id.
Позначаємо прапором Predictable стовпець amount. У результаті стовпець стає доступним для прогнозування в нових наборах даних. Помічаємо прапором Input стовпці model_id, seller_id, date.
Натискаємо Next.
У поле Structure Name вводимо ім'я Tree і натискаємо Finish. При цьому відкриється редактор Data mining, що відображає структуру Tree.
Для того щоб розгорнути проект і обробити моделі Натискаємо F5.
Тепер база даних Analysis Services викладена на сервер і моделі оброблені.
Для обробки data mining моделі в меню Mining Model вибираємо пункт Process All Models. Відкриється діалогове вікно Process Targeted Mailing.
Натискаємо Run.
Відкриється діалогове вікно Process Progress, що відображає інформацію про обробку моделі.
Після того як завершиться обробка, закриваємо обидва діалогових вікна.
У браузері бачимо дерево рішень (рис. 1)
Малюнок 1 - Дерево рішень
) Кластеризація - Microsoft Clustering:
У Mining Model в розділі Which data mining technique do you want to use? Вибираємо Microsoft Clustering.
Позначаємо прапором Case таблицю accounts, потім натискаємо Next.
Позначаємо прапором Key стовпець account_id.
Позначаємо прапором Predictable стовпець amount. У результаті стовпець стає доступним для прогнозування в нових наборах даних. Помічаємо прапором Input стовпці model_id, seller_id, date.
Натискаємо Next.
У поле Structure Name вводимо ім'я Cluster і натискаємо Finish. При цьому відкриється редактор Data mining, що відображає структуру Cluster.
У браузері результати (рис. 2-4).
Малюнок 2 - Діаграма кластерів.
Малюнок 3 - Гістограма кластерів.
Малюнок 4 - Характеристики кластера
кластер лінійний регресія алгоритм
Кластеризація дозволяє визначити різні групи об'єктів або подій. Судячи по гістограмі, у Кластера 1 найбільше заповнення змінними, а по діаграмі можна сказати, що найсильніша зв'язок між кластерами 9 і 10.
За характеристиками Кластера 1, можна побачити, що він припадає на 2013 і 2014 року. Продавці під номерами 2 і 3 здійснили більше всіх продажів, і в основному продавалося по 5-9 деталей.
3) Лінійна регресія - Microsoft Linear Regression:
У Mining Model в розділі вибираємо Microsoft Linear Regression.
Позначаємо прапором Case таблицю accounts, потім натискаємо Next.
Позначаємо прапором Key стовпець account_id.
Позначаємо прапором Predictable стовпець amount. У результаті стовпець стає доступним для прогнозування в нових наборах даних. Помічаємо прапором Input стовпці model_id, seller_id, date.
Натискаємо Next.
У поле Structure Name вводимо ім'я Linear і натискаємо Finish. При цьому відкриється редактор Data mining, що відображає структуру Linear.
У браузері бачимо результат у вигляді формули (рис. 5)
Малюнок 5 - Лінійна регресія
) Асоціативні правила - Microsoft Association:
У Mining Model Wizard вибираємо Micros...
