生成的规则集汇总页签-Clementine应用指南

“汇总” 页签以表格形式清晰展示了 Clementine 序列规则挖掘的结果。每一行代表一个被发现的规则，并包含以下关键信息： 规则：具体描述了数据序列中的模式，例如“购买产品 A，然后购买产品 B”。 支持度：表示该规则在所有数据序列中出现的频率，体现了规则的普遍性。 置信度：衡量规则预测准确性的指标，表示在包含前项序列的情况下，出现后项序列的概率。 提升度：评估规则实际效用的指标，反映了相比随机情况下，该规则对预测结果的提升程度。 通过分析这些指标，用户可以快速识别出高价值的序列模式，例如哪些产品组合经常被一起购买，从而为市场营销、产品推荐等决策提供数据支持。

TwoStep 节点汇总页签详解 图 21-52 展示了 TwoStep 节点对话框中的汇总页签。该页签提供了 TwoStep 聚类分析过程的概要信息，包括所选变量、聚类数量以及其他关键参数设置。 主要内容: 变量选择: 列出了用于聚类分析的变量。 聚类数量: 显示了算法找到的聚类数量。 其他参数: 汇总了其他重要的参数设置，例如距离度量、聚类准则等。 通过汇总页签，用户可以快速了解 TwoStep 聚类分析的关键配置信息，方便进行结果解读和模型调整。

图21-81主成分/因子分析节点汇总页签，详细探讨了数据挖掘原理与SPSS-Clementine应用的关键内容。

生成规则集模型的节点代表了由关联规则建模节点(Apriori or GRI)，或生成C5.0节点，或C&RT节点发现的规则，用于预测特定输出字段。未精炼的规则节点生成的规则集节点可以在流中生成预测。用户可通过图标将规则集节点模型加入流中，并通过右键点击流选择节点放置位置。连接数据后，用户可以使用规则集节点模型进行预测，输入数据需与训练数据相同。执行包含规则集节点的流时，该节点将添加两个新字段，存放预测值和置信度。关联规则集的预测字段前缀为$A-，置信字段前缀为$AC-。C5.0规则集的预测字段前缀为$C-，置信字段前缀为$CC-。C&RT规则集的预测字段前缀为$R-，置信度字段前缀为$RC-。

在BIEE应用开发中，页签内容可以包括已保存的answers、HTML等内容，用户只需将answers拖入页签部分即可。以下是实现该功能的代码示例： package menu; import java.awt.event.ActionEvent; import java.io.*; import java.sql.*; import oracle.sql.CLOB; import com.runqian.report.cellset.*; import com.runqian.report.ide.ReportFrame; import com.runqian.report.ide.confi

多重方式专家页签应用于复杂模型构建。 允许构建嵌套模型，例如决策树中包含回归模型。 提供多种专家模式，如分类、回归和聚类。 可用于数据探索、模型开发和预测。

特征选择节点模型页签 主要用于配置特征选择算法的参数，控制特征选择过程。 该页签提供多种选项，允许用户根据数据特性和分析目标，灵活调整特征选择策略，以构建高效且泛化能力强的预测模型。

可以指定选项将决策树转换成规则集： 规则集名称：指定新生成规则集节点的名称 创建节点位置：选择新生成规则集节点的位置，可以选择工作区、GM选项板或两者 最小实例数：指定生成的规则集中保存的规则的最小实例数，低于指定值的规则将不显示 最低置信度：指定形成的规则集中保存的规则的最低置信度，低于指定值的规则将不显示

在数据挖掘过程中，修正数据集中的不均匀性是一个关键步骤。平衡节点的设置可以有效地调整数据集，确保其符合测试的标准。如图19-20所示，平衡节点对话框展示了如何进行这一过程。