rapidminer进行关联分析、分类预测、聚类分析

商品交叉销售关联分析

Step1:检查数据缺失值、异常值
Step2:约减数据集中属性

rapidminer进行关联分析、分类预测、聚类分析_第1张图片

Step3:FP-Growth找到频繁项集

rapidminer进行关联分析、分类预测、聚类分析_第2张图片

Step4:产生关联规则

FF-Growth的min support = 0.9和create association rules min confidence = 0.9时的关联规则
rapidminer进行关联分析、分类预测、聚类分析_第3张图片
但是结论conclusion都是Health Profucts Division,说明健康类商品是人们的生活必需品,参考价值不大。

我们适当放宽min support = 0.5和min confidence = 0.6
rapidminer进行关联分析、分类预测、聚类分析_第4张图片
发现当Housewares Division,Novelty Gift Division存在时,Personal Electronics Division更容易被购买。support = 0.108

泰塔尼克号幸存者分类预测

step1:角色设定
step2:加入决策树操作符

rapidminer进行关联分析、分类预测、聚类分析_第5张图片

step3:对测试数据集预测

rapidminer进行关联分析、分类预测、聚类分析_第6张图片

step4:交叉检验

rapidminer进行关联分析、分类预测、聚类分析_第7张图片
rapidminer进行关联分析、分类预测、聚类分析_第8张图片
confidence = 0.5时的class precision = 76.52%和83.33%。
rapidminer进行关联分析、分类预测、聚类分析_第9张图片
例如更改confidence = 0.1时,class precision = 75.07%和83.42%,相比之下confidence = 0.5的时候交叉检验效果更好一些。
rapidminer进行关联分析、分类预测、聚类分析_第10张图片
调整决策树操作符的criterion参数,其中gain_ratio参数模型得到的效果明显好于gini_index参数。

gini_index参数
rapidminer进行关联分析、分类预测、聚类分析_第11张图片
gain_ratio参数
rapidminer进行关联分析、分类预测、聚类分析_第12张图片

Iris鸢尾花数据集聚类分析

step1:选择a1和a2属性
step2:添加K-means聚类操作符
step3:调整聚类个数,查看散点个数,人工评价聚类效果。

得到每个点的聚类结果
rapidminer进行关联分析、分类预测、聚类分析_第13张图片
可视化表示聚类分析

此处选择的聚类个数是3,即k = 3
rapidminer进行关联分析、分类预测、聚类分析_第14张图片
若选择聚类个数为5
rapidminer进行关联分析、分类预测、聚类分析_第15张图片
聚类分析 k = 5
rapidminer进行关联分析、分类预测、聚类分析_第16张图片

你可能感兴趣的:(管理信息系统,聚类,可视化,python,数据分析)