oft Association. Натискаємо Next.
За умовчанням як джерела даних тут обраний accounts.
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 Association і натискаємо Finish. При цьому відкриється редактор Data mining, що відображає структуру Association.
Відкриється діалогове вікно Process Progress, що відображає інформацію про обробку моделі.
Після того як завершиться обробка, закриваємо обидва діалогових вікна.
Отримані результати показані на рис. 6-7.
Малюнок 6 - Правила асоціативних рішень
Малюнок 7 - Мережа залежностей
Асоціативний аналіз виявив, що продавець під номером 1 з великою ймовірністю продає менше 4 комплектуючих ПК і найчастіше це моделі з номером 100-104. Також, виходячи з правил, можна вивести, що моделі з номером 114-116 продаються у великій кількості.
) Наївний алгоритм Байеса - Microsoft Naive Bayes:
У Mining Model Wizard вибираємо From existing relational database or data warehouse, потім Next.
У розділі Which data mining technique do you want to use? Вибираємо Microsoft Naive Bayes. Натискаємо Next.
За умовчанням як джерела даних тут обраний accounts.
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 Bayes і натискаємо Finish. При цьому відкриється редактор Data mining, що відображає структуру Bayes.
Після того як завершиться обробка, закриваємо обидва діалогових вікна.
У браузері бачимо результат у вигляді формули (рис. 6)
Малюнок 6 - Алгоритм Байеса
відобразити в мережі залежностей найсильніші зв'язку, можна визначити, що найсильнішим чинником, що впливає на кількість продажів, є продавець.
Вкладка профілі атрибутів описує, як різні стани вхідних атрибутів впливають на значення прогнозованого атрибута. По гістограмі можна побачити, що найбільше продажів випадає на продавця c номером - 5 і на моделі з номером 110-116.
6) Нейронні мережі - Microsoft Neural Network:
У Mining Model Wizard вибираємо From existing relational database or data warehouse, потім Next.
У розділі Which data mining technique do you want to use? Вибираємо Microsoft Neural Network. Натискаємо Next.
За умовчанням як джерела даних тут обраний accounts.
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 Neural і натискаємо Finish. При цьому відкриється редактор Data mining, що відображає структуру Neural.
Для того щоб розгорнути проект і обробити моделі натискаємо F5.
Тепер модель оброблена.
Для обробки data mining моделі в меню Mining Model вибираємо пункт Process All Models.Откроется 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 результат у вигляді формули (рис. 7)
Малюнок 7 - Аналіз за допомогою нейронної мережі.
Виходячи з моделі видно, що найбільше продажів у продавця з номером 5, а найменше у продавця з номером 1.
