數(shù)據(jù)倉庫與數(shù)據(jù)挖掘課程設(shè)計(jì)畢業(yè)設(shè)計(jì)(doc畢業(yè)設(shè)計(jì)論文)-資料下載頁
2025-06-24 06:00本頁面
【正文】 的成員屬性”，并選擇“Member Card”，繼續(xù)單擊下一步；5) 在“選擇訓(xùn)練數(shù)據(jù)”步驟中，取消Customer維度的Country、State Province和City聚集成員前的勾√，繼續(xù)單擊下一步；6) 接下來輸入新維度名“Customer Patterns”， “虛擬多維數(shù)據(jù)集名“Trained Cube”，繼續(xù)單擊下一步；7) 在最后的步驟輸入模型名“Customer patterns discovery”，并選擇“保存并開始處理”，然后單擊完成；8) 處理完成后，單擊關(guān)閉，然后“OLAP挖掘模型編輯器”將打開，最大化 編輯器窗口，右窗格中就能看到生成的決策樹。右窗格分為4個(gè)區(qū)域，分別以不同的方式顯示挖掘結(jié)果。3．決策樹挖掘結(jié)果分析說明該屬性的重要性最高(信息增益率最大)，其中年收入為3~5萬的人最多。%，%購買了銀卡。其中他們的年收入多數(shù)為大于15萬，再往下展開決策樹可以看到，購買金卡的主要為已婚簇，未婚簇則購買銀卡為主。在所有調(diào)查的人數(shù)中，年收入為3萬—5萬的人數(shù)最多，在這群人中，%，在家中孩子的數(shù)量大多數(shù)=，年收入1萬—3萬的低收入人數(shù)較多。4．創(chuàng)建聚類挖掘模型 1) 右擊“Sales”多維數(shù)據(jù)集，然后選擇“新建挖掘模型”命令，打開新建挖掘模型向?qū)В?) 在“選擇數(shù)據(jù)挖掘技術(shù)”步驟中，選擇“Microsoft聚集”，單擊下一步；3) 在“選擇事例”步驟中，選擇維度“Customer”，級別為“Lname”，單擊下一步；4) 在“選擇訓(xùn)練數(shù)據(jù)”步聚中，清除“Customer”維度的Country、State Province和City復(fù)選框(因?yàn)闆]有必要使用匯總級別劃分客戶群)，然后在“度量值”維度中選擇“Store Sales”，單擊下一步；5) 輸入挖掘模型的名稱“Customer segmentation”，選中“保存，但現(xiàn)在不處理”，然后單擊完成。 6) 進(jìn)入挖掘模型編輯器，在這里還可對模型的相關(guān)參數(shù)作進(jìn)一步修改。展開屬性窗格，將“Cluster Count”的值由10改為3。7) 保存更改，然后選擇“工具 | 處理挖掘模型”菜單命令，處理完成之后就可看到聚集的結(jié)果了。8) 聚類結(jié)果窗口由4個(gè)窗格組成：中間是“內(nèi)容詳情”窗格， 以樹形圖顯示聚類結(jié)果；“內(nèi)容選擇區(qū)”窗格顯示樹的完整視圖；其下是“特性”窗格，可以查看各簇的統(tǒng)計(jì)特性，還可以選擇不同的成員屬性進(jìn)行查看；再下面是“節(jié)點(diǎn)路徑”，列出了各簇的節(jié)點(diǎn)路徑。聚類挖掘結(jié)果分析通過分析，市場部可以知道：Cluster1主要由中等收入的客戶構(gòu)成， 其中年收入為1萬—%，用Bronze card最多，%，而且全部已婚。Cluster2主要由中等收入的客戶構(gòu)成，其中年收入為3萬 —，用Bronze card最多，%，. Cluster3主要由低等收入的客戶構(gòu)成， 其中年收入為1萬—%，用Normal card最多，%,%。由以上數(shù)據(jù)分析可以得出，在調(diào)查的人數(shù)中，中等收入的人最多，而且單身的人數(shù)很多。低等收入主要用普通卡，而中等收入的人用銅卡的人數(shù)較多。創(chuàng)建基于關(guān)系數(shù)據(jù)表的挖掘模型 1) 右擊“挖掘模型”文件夾，然后選擇“新建挖掘模型”命令，打開挖掘模型向?qū)В?) 單擊下一步，在“選擇源類型”步驟中，單擊“關(guān)系數(shù)據(jù)”，繼續(xù)單擊下一步；3) 在“選擇事例表”步驟中，單擊“單個(gè)表包含數(shù)據(jù)”并選擇“Customer”，然后單擊下一步；4) 選擇挖掘技術(shù)為“Microsoft 決策樹”，繼續(xù)下一步；5) 選擇“事例鍵列”為“customer_id”，繼續(xù)下一步；6) 選擇以下可預(yù)測列：marital_status、yearly_ine、num_ children_at_home、total_children、education、member_ card、occupation、houseowner和num_cars_owned，同樣把它們加入輸入列框中；7) 單擊下一步， 輸入挖掘模型的名稱：Advanced customer patterns discovery，選擇“保存并立即處理”，最后單擊完成。 OK！8) 單擊右窗格底部的“內(nèi)容”選項(xiàng)卡，就可看到挖掘所得的決策樹。它是從關(guān)系表中選擇幾個(gè)列作為挖掘模型的輸入與可預(yù)測列?？梢詾槊總€(gè)可預(yù)測的列生成一個(gè)決策樹。對于Education決策樹，預(yù)測客戶具有某種教育程度可能性的兩個(gè)最重要的因素是：年收入(第一層)和職業(yè)(第二層)。年收入大于15萬的人群中，%。對于Yearly Ine決策樹，學(xué)歷為學(xué)士的人群中，年收入為5萬—7萬的人數(shù)最多，%。對于Member card決策樹，在年收入為15萬以上的人群中，絕大多數(shù)人擁有金卡和銀卡，占90%以上。說明，高收入人群擁有的是金銀卡，而且大多數(shù)為學(xué)士學(xué)歷。7．瀏覽“相關(guān)性網(wǎng)絡(luò)”視圖江西理工大學(xué)應(yīng)用科學(xué)學(xué)院經(jīng)管系《數(shù)據(jù)倉庫與數(shù)據(jù)挖掘》課程設(shè)計(jì)(論文)指導(dǎo)教師評分表班級： 姓名： 學(xué)號： 課程設(shè)計(jì)題目： 基于Foodmart超市數(shù)據(jù)集的OLAP分析及數(shù)據(jù)挖掘 評分內(nèi)容比例滿 分 標(biāo) 準(zhǔn)得 分課程設(shè)計(jì)態(tài)度30%（1） 課程設(shè)計(jì)過程的態(tài)度（2） 考勤制度執(zhí)行情況（3） 獨(dú)立完成工作情況設(shè)計(jì)內(nèi)容40%（1） 任務(wù)完成情況（2） 多維數(shù)據(jù)集結(jié)構(gòu)設(shè)計(jì)合理（3） OLAP分析到位、全面（4） 數(shù)據(jù)挖掘模型合理（5） 數(shù)據(jù)挖掘分析到位、全面論文質(zhì)量20%（1） 設(shè)計(jì)報(bào)告字?jǐn)?shù)及內(nèi)容（2） 設(shè)計(jì)報(bào)告結(jié)構(gòu)、層次（3） 排版情況答辯情況10%（1） 演示過程的流暢性（2） 對設(shè)計(jì)結(jié)果的分析（3） 對相關(guān)知識點(diǎn)的掌握總 評 指導(dǎo)老師簽名
職業(yè)教育相關(guān)推薦
鄂ICP備17016276號-1