Karar ağacı modeli (temel veri madenciliği Öğreticisi) keşfetme
The Microsoft Decision Trees algorithm predicts which columns influence the decision to purchase a bike based upon the remaining columns in the training set.
The Microsoft Decision Tree Viewer provides the following tabs for use in exploring decision tree mining models:
Karar ağacı
Bağımlılık ağ
Uygun Görüntüleyici seçin ve veri madenciliği modelleri keşfedin nasıl aşağıdaki bölümlerde açıklanmaktadır.
Karar ağacı sekmesi
Üzerinde Karar ağacı sekmesinde sınamanız mutabakatının tüm ağaç modelleri bir araştırma modeli.
Yalnızca tek bir tahmin edilebilir öznitelik eğitmen bu projede hedeflenen posta modeli içerdiği için Bike Buyer, tek bir ağaç görünümü.Daha fazla ağaçları olsaydı, kullanabilirsiniz ağaç kutusunu başka bir ağaç seçin.
Gözden geçirme TM_Decision_Tree karar ağacı Görüntüleyicisi modelinde ortaya çıkaran yaş bisiklet satın tahmin etmek de tek en önemli etken olduğunu.Duydukça, müşteriler tarafından yaş grubu olduktan sonraki dalı her yaş düğüm için farklıdır.Karar ağacı sekmesi exploring tarafından biz Satınalmacılar yaşı 40 34 biriyle veya hiçbir otomobilleri bir bisiklet ve Pasifik içinde yaşayan o tek ve daha genç müşteriler satın almak büyük olasılıkla tamamlanabilmesi bölge ve varsa veya hiç otomobilleri de bir bisiklet satın almak çok yüksektir.
Karar ağacı sekmesini modelinde keşfetmeye
Seçin Mining modeli Görüntüleyicisi sekmesinde Veri Mining Tasarımcısı.
Varsayılan olarak,--bu yapısına eklenen ilk model Tasarımcısı açılır durum, TM_Decision_Tree.
Ağaç görüntü boyutunu ayarlamak için büyüteç düğmelerini kullanın.
Varsayılan olarak, Microsoft ağacı Görüntüleyicisi gösterir yalnızca ilk üç düzeyde ağaç.Ağaç üçten düzeyleri varsa, Görüntüleyici yalnızca varolan düzeyleri gösterir.Daha fazla düzey kullanarak görüntüleyebilirsiniz Düzey Göster kaydırma veya Varsayılan genişletme listesi.
Slayt Düzey Göster dördüncü çubuğu.
Değişiklik arka değeri 1.
Değiştirerek arka ayarı, hızlı bir şekilde hedef değerinin her düğüm durumlarda sayısını görebilirsiniz 1 için [Bike Buyer].Bu senaryoda, unutmayın her durum bir müşteri temsil eder.Değeri 1 müşteri, bir bisiklet; daha önce satın aldığınız gösterir değeri 0 müşteri bir bisiklet satın gösterir.Düğümün koyu gölgelendirme, hedef değerine sahip düğüm durumlarda yüksek yüzdesi.
Bir yerde kendi imleç etiketli düğüm üzerinden tüm.Bir araç ipucu aşağıdaki bilgileri görüntüler:
Toplam servis talebi sayısı
Olmayan bisiklet alıcı servis talebi sayısı
Bisiklet alıcı servis talebi sayısı
Değerleri eksik olan servis taleplerinin sayısı [Bike Buyer]
Alternatif olarak, koyun, imleç daha önce gelen düğüm düğüm erişmek için gerekli koşul görmek için ağacındaki herhangi bir düğüm üzerinde.Bu bilgileri de görüntüleyebilirsiniz Mining gösterge.
Düğümünü tıklatın yaş >34 = ve < 41.Histogram düğüm üzerinde ince yatay bir çubuk görüntülenir ve bu yaş grubundaki müşterilere dağıtımlarında temsil aralık daha önce vermedi (pembe) belirtmiyor a bike (mavi) satın alma.Görüntüleyici 34 yaşlarını ve bir ya da hiç otomobilleri ile 40 arasında müşterilere büyük olasılıkla bir bisiklet satın almak bize gösterir.Bir adım daha ileri alma, biz, müşteri aslında 38 40 yaş ise artış bir bisiklet satın almak için olasılığını bulmak.
Yapısı ve modeli oluşturduğunuzda detaylandırma etkin olduğundan içinde bulunmayan bu sütunlar da dahil olmak üzere araştırma yapısı ve modeli durumlarda ayrıntılı bilgi alabilirsiniz araştırma modeli (örn., EpostaAdresi, FirstName).
Daha fazla bilgi için bkz: Drillthrough veri madenciliği modelleri ve araştırma yapıları kullanarak (Analysis Services - veri madenciliği).
durum verilerini aracılığıyla ulaşmak için
Bir düğümünü sağ tıklatın ve seçin Ayrıntıya aracılığıyla sonra Modeli sütunlar yalnızca.
Ayrıntılar her eğitim için durum elektronik tablo biçiminde görüntülenir.Bu ayrıntılar gelir vTargetMail olarak seçilen görünüm durum araştırma yapısı. oluştururken tablo
Bir düğümünü sağ tıklatın ve seçin Ayrıntıya aracılığıyla sonra modeli ve yapısı sütunları.
Aynı elektronik tablo sonuna eklenen yapısı sütunları görüntüler.
Başa Dön
Bağımlılık Ağ sekmesini
The Dependency Network tab displays the relationships between the attributes that contribute to the predictive ability of the mining model.Bağımlılık ağ Görüntüleyicisi yaş ve bölge bisiklet satın tahmin etmek de önemli Etkenler olduğunu bizim bulgular eklenir.
Bağımlılık Ağ sekmesini modelinde keşfetmeye
' I Bisiklet alıcı düğümü bağımlılıklarını tanımlamak için.
Bağımlılık Ağ Merkezi düğümünü Bisiklet alıcı, araştırma modeli öngörülebilir öznitelik temsil eder.Pembe gölgelendirme özniteliklerin tümünü bisikleti satın alma üzerinde bir etkisi olduğunu gösterir.
Ayarlamak Tüm bağlantıları kaydırıcıyı en etkili öznitelik tanımlamak için.
Kaydırıcıyı düşürdükçe öznitelikleri olan en büyük etkisi [Bike Buyer] sütun kalır.Kaydırıcıyı ayarlayarak, yaş ve bölge içinde birisi bir bisiklet alıcı olup olmadığını tahmin etmek en büyük Etkenler olduğunu bulabilir.
Ayrıca bkz.