7(2)-數(shù)據(jù)挖掘與決策支持(參考版)
2025-01-24 08:12本頁(yè)面
【正文】 分析工具和軟件分析工具和軟件?WORD?EXECL?PowerPoint?Access?Microsoft Visio?SmartDraw?PCEDIT?EpiData?SPSS Enter Station Builder ?SPSS for Windows ?AnswerTree ?Decision Time and What If?Clementine ?SAS ?Lisrel / ?Network Analysis學(xué)科領(lǐng)域?qū)W科領(lǐng)域? 行業(yè)知識(shí)行業(yè)知識(shí)? 計(jì)算機(jī)計(jì)算機(jī)? 數(shù)據(jù)庫(kù)數(shù)據(jù)庫(kù)? 統(tǒng)計(jì)學(xué)統(tǒng)計(jì)學(xué)? 市場(chǎng)營(yíng)銷(xiāo)市場(chǎng)營(yíng)銷(xiāo)? 市場(chǎng)研究市場(chǎng)研究? 社會(huì)學(xué)社會(huì)學(xué)? 心理學(xué)心理學(xué)? 廣告學(xué)廣告學(xué)? 消費(fèi)者行為學(xué)消費(fèi)者行為學(xué)演講完畢，謝謝觀看！。關(guān)聯(lián)規(guī)則挖掘?qū)嵗?gòu)物籃關(guān)聯(lián)分析實(shí)例圖 基本概念Customerbuys diaperCustomerbuys bothCustomerbuys beer“啤酒與尿布 ”的關(guān)聯(lián)規(guī)則 For rule A ? Csupport = support({A ? C}) = 50%confidence = support({A ? C})/support({A}) = %For C ? A (50%, 100%)The Apriori principle:Any subset of a frequent itemset must be frequentMin. support 50%Min. confidence 50%關(guān)聯(lián)挖掘?qū)嵗? 數(shù)據(jù)挖掘的可視化 以可視化的方式展示數(shù)據(jù)挖掘獲取的相關(guān)知識(shí)。例如，在同一次購(gòu)物中，如果顧客購(gòu)買(mǎi)牛奶的同時(shí)，也購(gòu)買(mǎi)面包（和什么類(lèi)型的面包）的可能性有多大？ 這種信息可以引導(dǎo)銷(xiāo)售，可以幫助零售商有選擇地經(jīng)銷(xiāo)和安排貨架。 關(guān)聯(lián)規(guī)則挖掘?qū)嵗? 通過(guò)發(fā)現(xiàn)顧客放入其購(gòu)物籃中不同商品之間的聯(lián)系，分析顧客的購(gòu)買(mǎi)習(xí)慣。 BP神經(jīng)網(wǎng)絡(luò)存在的問(wèn)題n 網(wǎng)絡(luò)癱瘓問(wèn)題 在訓(xùn)練過(guò)程中，權(quán)值可能變得很大，這會(huì)使神經(jīng)元的網(wǎng)絡(luò)輸入變得更大，從而使得其激勵(lì)函數(shù)的一階導(dǎo)函數(shù)在此點(diǎn)上的取值很小。尤其是當(dāng)網(wǎng)絡(luò)的訓(xùn)練達(dá)到一定程度后，收斂更為緩慢。 因此，具有分類(lèi)準(zhǔn)確、收斂性好、動(dòng)態(tài)性好和魯棒性強(qiáng)等優(yōu)點(diǎn)。 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練n 訓(xùn)練的終止條件q 獲得一組權(quán)重值，使得訓(xùn)練集中幾乎所有樣本都分類(lèi)正確n 訓(xùn)練步驟q 利用隨機(jī)值對(duì)權(quán)值進(jìn)行初始化 q 將訓(xùn)練樣本逐一地輸入給神經(jīng)網(wǎng)絡(luò)，進(jìn)行訓(xùn)練q 對(duì)于每個(gè)神經(jīng)元n 將其所有的輸入值進(jìn)行線性求和計(jì)算得到總的輸入n 利用激勵(lì)函數(shù)計(jì)算其輸出值n 計(jì)算誤差n 修正網(wǎng)絡(luò)權(quán)值和閾值（偏差）BP神經(jīng)網(wǎng)絡(luò) BP神經(jīng)網(wǎng)絡(luò)通過(guò)迭代處理一組訓(xùn)練樣本，將各樣本的網(wǎng)絡(luò)預(yù)測(cè)與實(shí)際已知類(lèi)標(biāo)號(hào)進(jìn)行比較實(shí)現(xiàn)學(xué)習(xí)訓(xùn)練，反向修改網(wǎng)絡(luò)的權(quán)值，使得網(wǎng)絡(luò)預(yù)測(cè)與實(shí)際類(lèi)之間的誤差平方最小。但實(shí)際上，隱層神經(jīng)元數(shù)不宜過(guò)多；否則會(huì)極大加長(zhǎng)訓(xùn)練時(shí)間，并造成網(wǎng)絡(luò)容錯(cuò)能力下降。設(shè)計(jì)網(wǎng)絡(luò)拓?fù)涞年P(guān)鍵是，確定隱層的神經(jīng)元個(gè)數(shù)及各神經(jīng)元初始權(quán)值和閾值（偏差）。w0w1wnx0x1xn神經(jīng)網(wǎng)絡(luò)的組成輸出節(jié)點(diǎn)輸入節(jié)點(diǎn)隱層節(jié)點(diǎn)輸入矢量輸入矢量 : xiwij基本的 BP網(wǎng)絡(luò)由輸入層、輸出層和隱層組成 。在多種 ANN模型中，反向傳播（ Back Propagation， BP）網(wǎng)絡(luò)是應(yīng)用最廣的一種。Step 0 Step 1 S
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1