clementine学习——零售促销(神经网络CRT).docx

零售促销（神经网络/CRT） 此示例使用数据来说明零售产品线和促销对销售的影响。（此数据纯为虚构。）此示例的目的在于预测未来促销活动的影响。与条件监视示例类似，数据挖掘过程包括探索、数据准备、训练和检验阶段。 此示例使用名称为 goods.str、goodsplot.str 和 goodslearn.str 的流，这些流流引用名称为 GOODS1n 和 GOODS2n 的数据文件。可以从任何 Clementine Client 安装软件的 Demos 目录下找到这些文件，也可以通过从 Windows 的开始菜单下选择 Start [All] Programs SPSS Clementine 11.1 Demos 来访问这些文件。goods.str 和 goodsplot.str 文件在 Base_Module 文件夹中，goodslearn.str 文件则在 Classification_Module 目录中。 每条记录含有： ?? Class.模型类型。 ?? Cost.单价。 ?? Promotion.特定促销上所花费金额的指数。 ?? Before.促销之前的收入。 ?? After.促销之后的收入。 流 goods.str 含有一个用于在表格中显示数据的简单流。两个收入字段（即Before 和 After）用绝对值来表示；但是，可能促销后收入的增长量（并假定收入增长源于促销）是更有用的数据。 流 goodsplot.str 将引导出该值，然后在名称为增长量的字段中用促销前的收入百分比来表达该值，并显示一个带有该字段的表格。 另外，流将显示一个增长量的直方图和一个以促销费用为参照的增长量的散点图，产品的各个类别的散点图将叠放在一起。 散点图显示对于每类产品，收入增长量和促销费用之间存在几乎线性的关系。因此，决策树或神经网络似乎可以合理和准确地预测其他可用字段上的收入增长量。 流 goodslearn.str 将训练神经网络和决策树，以对收入增长量做出预测。 执行模型节点和生成实际模型之后，即可检验学习过程的效果。检验方法如下：将“类型”节点和新“分析”节点之间的决策树和网络串联起来，接着将输入（数据）文件更改为 GOODS2n，然后执行“分析”节点。按照此节点的输出数据，特别是按照预测的增长量与正确答案之间的线性相关进行判断，可以发现已训练系统对收入增长量的预测成功率颇高。 进一步的探索应该集中在那些与已训练系统的预测有较大差别的案例上；通过收入的预测增长量与真实增长???的对比图，可标识出这些案例。可使用 Clementine 的迭代图来选择图上的离群值，而依据离群值的属性，通过调整数据说明和学习过程，提高预测的准确性将成为可能。