Share via

  • Artikel

Testen eines gefilterten Modells (Lernprogramm zu Data Mining-Grundlagen)

Nachdem Sie festgestellt haben, dass das TM_Decision_Tree-Modell das präziseste Modell ist, sollten Sie das Modell im Rahmen der Targeted Mailing-Kampagne von Adventure Works Cycles bewerten. Die Marketingabteilung von Adventure Works Cycles möchte wissen, ob ein Unterschied zwischen männlichen und weiblichen Fahrradkäufern besteht. Anhand dieser Informationen soll entschieden werden, welche Zeitschriften für Werbemaßnahmen berücksichtigt und welche Produkte beworben werden sollen.

In dieser Lektion erstellen Sie ein Modell, das nach dem Geschlecht gefiltert wird. Sie können einfach eine Kopie dieses Modells erstellen und nur die Filterbedingungen ändern, um ein neues Modell auf der Grundlage eines anderen Geschlechts zu erzeugen.

Weitere Informationen zu Filtern finden Sie unter Erstellen von Filtern für Miningmodelle (Analysis Services - Data Mining).

Verwenden von Filtern

Filter ermöglichen es Ihnen, auf einfache Weise Modelle für Teilmengen von Daten zu erstellen. Der Filter wird nur auf das Modell angewendet; die zugrunde liegende Datenquelle wird nicht geändert. Informationen zum Anwenden von Filtern auf geschachtelte Tabellen finden Sie unter Data Mining-Lernprogramm für Fortgeschrittene (Analysis Services - Data Mining).

Filtern von Falltabellen

Zunächst erstellen Sie eine Kopie des TM_Decision_Tree-Modells.

So kopieren Sie das Entscheidungsstrukturmodell

  1. Wählen Sie in Business Intelligence Development Studio im Projektmappen-Explorer ASDataMining2008 aus.

  2. Klicken Sie auf die Registerkarte Miningmodelle.

  3. Klicken Sie mit der rechten Maustaste auf das TM_Decision_Tree-Modell, und wählen Sie Neues Miningmodell aus.

  4. Geben Sie im Feld Modellname den Namen TM_Decision_Tree_Male ein.

  5. Klicken Sie auf OK.

Erstellen Sie anschließend einen Filter, um Kunden auf Grundlage ihres Geschlechtes für das Modell auszuwählen.

So erstellen Sie einen Fallfilter für ein Miningmodell

  1. Klicken Sie mit der rechten Maustaste auf das TM_Decision_Tree_Male-Miningmodell, um das Kontextmenü zu öffnen.

    – oder –

    Wählen Sie das Modell aus. Wählen Sie im Menü Miningmodell die Option Modellfilter festlegen aus.

  2. Klicken Sie im Dialogfeld Modellfilter im Textfeld Miningstrukturspalte auf die oberste Zeile im Raster.

    Die Dropdownliste zeigt nur die Namen der Spalten in dieser Tabelle an.

  3. Wählen Sie im Textfeld Miningstrukturspalte die Option Geschlecht aus.

    Das Symbol auf der linken Seite des Textfelds ändert sich und gibt dadurch an, dass es sich beim ausgewählten Element um eine Tabelle oder eine Spalte handelt.

  4. Klicken Sie auf das Textfeld Operator, und wählen Sie den Gleichheitsoperator (=) aus der Liste aus.

  5. Klicken Sie auf das Textfeld Wert, und geben Sie den Wert M ein.

  6. Klicken Sie auf die nächste Zeile im Raster.

  7. Klicken Sie auf OK, um den Modellfilter zu schließen.

    Der Filter wird im Eigenschaftenfenster angezeigt. Sie können das Dialogfeld Modellfilter auch im Eigenschaftenfenster starten.

  8. Wiederholen Sie die vorstehenden Schritte. Benennen Sie das Modell dieses Mal jedoch TM_Decision_Tree_Female, und geben Sie F im Textfeld Wert ein.

Auf der Registerkarte Miningmodelle werden nun zwei neue Miningmodelle angezeigt.

Verarbeiten der gefilterten Modelle

Modelle können erst dann verwendet werden, wenn sie bereitgestellt und verarbeitet wurden. Weitere Informationen zur Verarbeitung von Modellen finden Sie unter Verarbeiten von Modellen in der Targeted Mailing-Struktur (Lernprogramm zu Data Mining-Grundlagen).

So verarbeiten Sie das gefilterte Modell

  1. Klicken mit der rechten Maustaste auf das TM_Decision_Tree_Male-Modell, und wählen Sie Miningstruktur und alle Modelle verarbeiten aus.

  2. Klicken Sie auf Ausführen, um die neuen Modelle zu verarbeiten.

  3. Klicken Sie nach Abschluss der Verarbeitung in beiden Fenstern auf Schließen.

Auswerten der Ergebnisse

Zeigen Sie die Ergebnisse an, und werten Sie die Genauigkeit der gefilterten Modelle analog zu den vorhergehenden drei Modellen aus. Weitere Informationen finden Sie unter:

Untersuchen des Entscheidungsstrukturmodells (Lernprogramm zu Data Mining-Grundlagen)

Überprüfen der Genauigkeit mit Prognosegütediagrammen (Lernprogramm zu Data Mining-Grundlagen)

So untersuchen Sie die gefilterten Modelle

  1. Wählen Sie im Data Mining-Designer die Registerkarte Miningmodell-Viewer aus.

  2. Wählen Sie im Feld Miningmodell das Modell TM_Decision_Tree_Male aus.

  3. Schieben Sie den Regler Ebene anzeigen auf Ebene 3.

  4. Ändern Sie den Wert für Hintergrund in 1.

  5. Zeigen Sie mit der Maus auf den Knoten Alle, um die Anzahl der Kunden, die ein Fahrrad gekauft haben, im Vergleich zu den Kunden anzuzeigen, die kein Fahrrad gekauft haben.

  6. Wiederholen Sie die Schritte 1 bis 5 für TM_Decision_Tree_Female.

  7. Untersuchen Sie die Ergebnisse für das TM_Decision_Tree-Modell und die Modelle, die nach dem Geschlecht gefiltert wurden. Im Vergleich zu allen Fahrradkäufern weisen männliche und weibliche Fahrradkäufer einige Gemeinsamkeiten sowie drei interessante Unterschiede auf. Diese hilfreichen Informationen können von Adventure Works Cycles verwendet werden, um die Marketingkampagne zu entwickeln.

So testen Sie den Lift für die gefilterten Modelle

  1. Wechseln Sie in Business Intelligence Development Studio im Data Mining-Designer zur Registerkarte Mininggenauigkeitsdiagramm, und wählen Sie die Registerkarte Eingabeauswahl aus.

  2. Wählen Sie im Gruppenfeld Dataset auswählen, das für das Genauigkeitsdiagramm verwendet werden soll die Option Testfälle für Miningstruktur verwenden aus.

  3. Aktivieren Sie auf der Registerkarte Eingabeauswahl des Data Mining-Designers unter Wählen Sie die vorhersagbaren Miningmodellspalten aus, die im Prognosegütediagramm angezeigt werden sollen das Kontrollkästchen Vorhersagespalten und -werte synchronisieren.

  4. Überprüfen Sie in der Spalte Name der vorhersagbaren Spalte, dass Bike Buyer für die einzelnen Modelle ausgewählt wurde.

  5. Wählen Sie in der Spalte Anzeigen jedes der Modelle aus.

  6. Wählen Sie in der Spalte Wert vorhersagen den Wert 1 aus.

  7. Wählen Sie die Registerkarte Prognosegütediagramm zum Anzeigen des Prognosegütediagramms aus.

    Wie Sie sehen, weisen alle drei Entscheidungsstrukturmodelle verglichen mit dem Zufallsvorhersagemodell einen signifikanten Lift auf und übertreffen das Clustering- wie auch das Naive Bayes-Modell.