上傳人：5***

認(rèn)證信息

認(rèn)證類型：個人認(rèn)證

認(rèn)證主體：吳**（實名認(rèn)證）

IP屬地：湖北

IP屬地：湖北 上傳時間：2021-10-30 格式：DOC 頁數(shù)：24 大?。?.50MB 積分：30 舉報 版權(quán)申訴

1、 數(shù)據(jù)挖掘概念與分析實驗報告編制日期: 2009年11月27日 目錄一、相關(guān)名詞解釋31.1數(shù)據(jù)倉庫31.2數(shù)據(jù)挖掘31.3決策樹31.4時序31.5關(guān)聯(lián)規(guī)則4二、實驗環(huán)境4三、實驗準(zhǔn)備5四、實驗內(nèi)容5五、實驗步驟55.1對數(shù)據(jù)挖掘相關(guān)名詞進(jìn)行理解和運(yùn)用55.2對本次實驗的數(shù)據(jù)庫環(huán)境進(jìn)行熟悉環(huán)境55.3準(zhǔn)備工作55.3.1 創(chuàng)建一個 Analysis Services 項目55.3.2創(chuàng)建一個數(shù)據(jù)源65.3.3創(chuàng)建數(shù)據(jù)源視圖85.4挖掘步驟105.4.1 Microsoft決策樹挖掘技術(shù)創(chuàng)建用于目標(biāo)郵件方案的挖掘結(jié)構(gòu)105.4.2 Microsoft時序挖掘技術(shù)各個型號自行車的銷售量做出預(yù)測1

2、45.4.3 Microsoft關(guān)聯(lián)規(guī)則挖掘技術(shù)創(chuàng)建市場籃方案155.4.4 Microsoft時序分析與聚類分析挖掘技術(shù)查看客戶瀏覽 Adventure Works 網(wǎng)站的方式175.5數(shù)據(jù)挖掘結(jié)果分析195.5.1 Microsoft決策樹挖掘技術(shù)目標(biāo)郵件方案的挖掘結(jié)果分析195.5.2 Microsoft時序挖掘技術(shù)各個型號自行車的銷售量預(yù)測結(jié)果分析205.5.3 Microsoft關(guān)聯(lián)規(guī)則挖掘技術(shù)創(chuàng)建市場籃方案結(jié)果分析215.5.4 Microsoft時序分析與聚類分析挖掘技術(shù)查看客戶瀏覽 Adventure Works 網(wǎng)站的方式結(jié)果分析22一、相關(guān)名詞解釋1.1數(shù)據(jù)倉庫a) 英文名

3、稱為Data Warehouse，可簡寫為DW。數(shù)據(jù)倉庫是決策支持系統(tǒng)和聯(lián)機(jī)分析應(yīng)用數(shù)據(jù)源的結(jié)構(gòu)化數(shù)據(jù)環(huán)境。數(shù)據(jù)倉庫研究和解決從數(shù)據(jù)庫中獲取信息的問題。數(shù)據(jù)倉庫的特征在于面向主題、集成性、穩(wěn)定性和時變性。b) 數(shù)據(jù)倉庫系統(tǒng)是一個信息提供平臺，他從業(yè)務(wù)處理系統(tǒng)獲得數(shù)據(jù)，主要以星型模型和雪花模型進(jìn)行數(shù)據(jù)組織，并為用戶提供各種手段從數(shù)據(jù)中獲取信息和知識。c) 從功能結(jié)構(gòu)化分，數(shù)據(jù)倉庫系統(tǒng)至少應(yīng)該包含數(shù)據(jù)獲取（Data Acquisition）、數(shù)據(jù)存儲（Data Storage）、數(shù)據(jù)訪問（Data Access）三個關(guān)鍵部分。1.2數(shù)據(jù)挖掘a) 數(shù)據(jù)挖掘(Data Mining)，就是從大量數(shù)據(jù)中

4、獲取有效的、新穎的、潛在有用的、最終可理解的模式的非平凡過程。數(shù)據(jù)挖掘的廣義觀點：數(shù)據(jù)挖掘就是從存放在數(shù)據(jù)庫，數(shù)據(jù)倉庫或其他信息庫中的大量的數(shù)據(jù)中“挖掘”有趣知識的過程。數(shù)據(jù)挖掘，又稱為數(shù)據(jù)庫中知識發(fā)現(xiàn)(Knowledge Discovery in Database, KDD)， 也有人把數(shù)據(jù)挖掘視為數(shù)據(jù)庫中知識發(fā)現(xiàn)過程的一個基本步驟。知識發(fā)現(xiàn)過程以下步驟組成：（1）數(shù)據(jù)清理，（2）數(shù)據(jù)集成，（3）數(shù)據(jù)選擇，（4）數(shù)據(jù)變換，（5）數(shù)據(jù)挖掘，（6）模式評估，（7）知識表示。數(shù)據(jù)挖掘可以與用戶或知識庫交互。1.3決策樹a) 決策樹是用二叉樹形圖來表示處理邏輯的一種工具。可以直觀、清晰地表達(dá)加工的邏

5、輯要求。特別適合于判斷因素比較少、邏輯組合關(guān)系不復(fù)雜的情況。 b) 決策樹提供了一種展示類似在什么條件下會得到什么值這類規(guī)則的方法。比如，在貸款申請中，要對申請的風(fēng)險大小做出判斷，決策樹的基本組成部分：決策節(jié)點、分支和葉子。c) 數(shù)據(jù)挖掘中決策樹是一種經(jīng)常要用到的技術(shù)，可以用于分析數(shù)據(jù)，同樣也可以用來做預(yù)測（就像上面的銀行官員用他來預(yù)測貸款風(fēng)險）。常用的算法有CHAID、CART、Quest 和C5.0。1.4時序a) Microsoft 時序算法是 Microsoft SQL Server 2005 Analysis Services (SSAS) 提供的回歸算法，用于創(chuàng)建數(shù)據(jù)挖掘模型以預(yù)測

6、連續(xù)列，如預(yù)測方案中的產(chǎn)品銷售額。其他 Microsoft 算法創(chuàng)建依靠給定輸入列來預(yù)測可預(yù)測列的模型（如決策樹模型），而時序模型的預(yù)測則僅根據(jù)算法在創(chuàng)建模型時從原始數(shù)據(jù)集派生的趨勢。以下關(guān)系圖(圖1.1)顯示了一個典型模型，用于預(yù)測各個時間的銷售額。圖1.1關(guān)系圖關(guān)系圖中顯示的該模型由兩部分組成：歷史信息以紅色顯示，預(yù)測信息以藍(lán)色顯示。紅色數(shù)據(jù)代表算法用于創(chuàng)建模型的信息，而藍(lán)色數(shù)據(jù)則代表模型做出的預(yù)測。由紅色數(shù)據(jù)和藍(lán)色數(shù)據(jù)聯(lián)合形成的線稱為“序列”。每個預(yù)測模型必須包含一個事例序列，即區(qū)分序列列中不同點的列。例如，因為關(guān)系圖中的數(shù)據(jù)顯示了幾個月中的歷史和預(yù)測銷售額序列，因此數(shù)據(jù)列為事例序列。b

7、) Microsoft 時序算法的一個重要功能就是可以執(zhí)行交叉預(yù)測。也就是說，如果使用兩個單獨(dú)但相關(guān)的序列為該算法定型，就可以使用得到的模型根據(jù)其他序列的行為預(yù)測一個序列的結(jié)果。例如，一個產(chǎn)品的實際銷售額可能會影響另一個產(chǎn)品的預(yù)測銷售額。1.5關(guān)聯(lián)規(guī)則a) 數(shù)據(jù)關(guān)聯(lián)是數(shù)據(jù)庫中存在的一類重要的可被發(fā)現(xiàn)的知識。若兩個或多個變量的取值之間存在某種規(guī)律性，就稱為關(guān)聯(lián)。關(guān)聯(lián)可分為簡單關(guān)聯(lián)、時序關(guān)聯(lián)、因果關(guān)聯(lián)。關(guān)聯(lián)分析的目的是找出數(shù)據(jù)庫中隱藏的關(guān)聯(lián)網(wǎng)。有時并不知道數(shù)據(jù)庫中數(shù)據(jù)的關(guān)聯(lián)函數(shù)，即使知道也是不確定的，因此關(guān)聯(lián)分析生成的規(guī)則帶有可信度。關(guān)聯(lián)規(guī)則挖掘發(fā)現(xiàn)大量數(shù)據(jù)中項集之間有趣的關(guān)聯(lián)或相關(guān)聯(lián)系。關(guān)聯(lián)規(guī)則

8、挖掘在數(shù)據(jù)挖掘中是一個重要的課題，最近幾年已被業(yè)界所廣泛研究。b) 關(guān)聯(lián)規(guī)則挖掘過程主要包含兩個階段：第一階段必須先從資料集合中找 出所有的高頻項目組(Frequent Itemsets)，第二階段再由這些高頻項目 組中產(chǎn)生關(guān)聯(lián)規(guī)則(Association Rules)。1. Apriori算法：使用候選項集找頻繁項集2. 基于劃分的算法3. FP-樹頻集算法1.6時序分析與聚類分析a) Microsoft 順序分析和聚類分析算法是由 Microsoft SQL Server 2005 Analysis Services (SSAS) 提供的一種順序分析算法。該算法通過將相同的順序分到一組或一

9、類中來查找最常見的順序。這些順序可以采取多種格式，包括：1. 用來說明用戶瀏覽網(wǎng)站時的點擊路徑的數(shù)據(jù)。 2. 用來說明客戶將商品添加到在線零售商的購物車中的順序的數(shù)據(jù)。二、實驗環(huán)境1. 本次數(shù)據(jù)挖掘?qū)嶒灢捎?SQL server 2005 development版本；2. 數(shù)據(jù)倉庫示例為SQL server 2005 自帶的Adventure Works DB和Adventure Works DW；三、實驗準(zhǔn)備1. 創(chuàng)建一個 Analysis Services 項目；2. 創(chuàng)建一個數(shù)據(jù)源；3. 創(chuàng)建數(shù)據(jù)源視圖；四、實驗內(nèi)容1. Microsoft決策樹挖掘技術(shù)；2. Microsoft時序挖掘

10、技術(shù)；3. Microsoft關(guān)聯(lián)規(guī)則挖掘技術(shù)；4. Microsoft時序分析與聚類分析挖掘技術(shù)；五、實驗步驟5.1對數(shù)據(jù)挖掘相關(guān)名詞進(jìn)行理解和運(yùn)用5.2對本次實驗的數(shù)據(jù)庫環(huán)境進(jìn)行熟悉環(huán)境注意的是在安裝SQL server2005過程中得把整個數(shù)據(jù)庫示例全部安裝；5.3準(zhǔn)備工作5.3.1 創(chuàng)建一個 Analysis Services 項目.打開Microsoft SQL Server Management Studio，連接好數(shù)據(jù)庫，確認(rèn)是否有Adventure Works 與Adventure Works DW兩個數(shù)據(jù)庫，如下圖所示：.打開Microsoft V

11、isual Studio，點擊文件新建項目Analysis Services項目，然后將項目名稱改為Adventure Works，如下圖：.點擊確定即完成了Analysis Services 項目的創(chuàng)建。5.3.2創(chuàng)建一個數(shù)據(jù)源. 在解決方案資源管理器中，右鍵單擊“數(shù)據(jù)源”文件夾，然后選擇“新建數(shù)據(jù)源”。系統(tǒng)將打開數(shù)據(jù)源向?qū)?。在“歡迎使用數(shù)據(jù)源向?qū)А表撁嬷校瑔螕簟跋乱徊健卑粹o。.單擊“新建”按鈕向 AdventureWorks 數(shù)據(jù)庫添加連接。.（1）在“連接管理器”的“提供程序”列表中，選擇“本機(jī) OLE DBMicrosoft OL

12、E DB Provider for SQL Server”；（2）數(shù)據(jù)庫服務(wù)器名為本地服務(wù)器也可填localhost；（3）使用SQL server身份驗證；（4）在選擇或輸入一個數(shù)據(jù)庫名欄中選擇Adventure Works DW數(shù)據(jù)庫；（5）點擊測試按鈕，顯示測試成功之后點擊下一步繼續(xù)。.在“模擬信息”頁中，選擇“默認(rèn)值”，再單擊“下一步”。.在“完成向?qū)А表撁嬷?，?shù)據(jù)源的默認(rèn)名稱為 Adventure Works DW。. 單擊“完成”。 新的數(shù)據(jù)源 Adventure Works DW 將顯示在解決方案資源管理器的“數(shù)據(jù)源”文件夾中。5.3.3

13、創(chuàng)建數(shù)據(jù)源視圖. 在解決方案資源管理器中，右鍵單擊“數(shù)據(jù)源視圖”，選擇“新建數(shù)據(jù)源視圖”，在“歡迎使用數(shù)據(jù)源視圖向?qū)А表撋?，單擊“下一步”?在“選擇數(shù)據(jù)源”頁的“關(guān)系數(shù)據(jù)源”下，系統(tǒng)將默認(rèn)選中您在上一個任務(wù)中創(chuàng)建的 Adventure Works DW 數(shù)據(jù)源。單擊“下一步”。在“選擇表和視圖”頁上，選擇下列各表，然后單擊右箭頭鍵，將這些表包括在新數(shù)據(jù)源視圖中：(1)dbo.ProspectiveBuyer (2)dbo.vAssocSeqLineItems (3)dbo.vAssocSeqOrders(4)dbo.vTargetMail (5)dbo.vTime

14、Series. 在“完成向?qū)А表撋?，默認(rèn)情況下，系統(tǒng)將數(shù)據(jù)源視圖命名為 Adventure Works DW。單擊“完成”。 系統(tǒng)將打開數(shù)據(jù)源視圖設(shè)計器，顯示 Adventure Works DW 數(shù)據(jù)源視圖。點擊完成按鈕出現(xiàn)如下所示的Adventure Works DW 數(shù)據(jù)源視圖。5.4挖掘步驟5.4.1 Microsoft決策樹挖掘技術(shù)創(chuàng)建用于目標(biāo)郵件方案的挖掘結(jié)構(gòu). 在解決方案資源管理器中，右鍵單擊“挖掘結(jié)構(gòu)”并選擇“新建挖掘結(jié)構(gòu)”。 在“歡迎使用數(shù)據(jù)挖掘向?qū)А表撋?，單擊“下一步”? 在“選擇定義方法”頁上，確認(rèn)已選中“從現(xiàn)有關(guān)

15、系數(shù)據(jù)庫或數(shù)據(jù)倉庫”，再單擊“下一步”。 在“選擇數(shù)據(jù)挖掘技術(shù)”頁的“您要使用何種數(shù)據(jù)挖掘技術(shù)？”下，選擇“Microsoft 決策樹”。. 在“選擇數(shù)據(jù)源視圖”頁上，請注意已默認(rèn)選中 Adventure Works DW。在數(shù)據(jù)源視圖中，單擊“瀏覽”查看各表，然后單擊“關(guān)閉”返回該向?qū)А? 在“指定表類型”頁上，選中 vTargetMail 表旁邊“事例”列中的復(fù)選框，再單擊“下一步”。（1）在“指定定型數(shù)據(jù)”頁上，確保已選中 CustomerKey 列旁邊 Key 列中的復(fù)選框。（2）選中 BikeBuyer 列旁邊的“輸入”和“可預(yù)測”。（3）選

16、中以下各列旁邊的“輸入”復(fù)選框：Age、CommuteDistance、EnglishEducation、EnglishOccupation、FirstName、Gender、GeographyKey、HouseOwnerFlag、LastName、MaritalStatus、NumberCarsOwned、NumberChildrenAtHome、Region、TotalChildren、YearlyIncome。（1）在“完成向?qū)А表撋系摹巴诰蚪Y(jié)構(gòu)名稱”中，鍵入 Targeted Mailing。（2）在“挖掘模型名稱”中，鍵入 TM_Decision_Tree。（3）選中“

17、允許鉆取”復(fù)選框。 點擊完成可見如下挖掘視圖5.4.2 Microsoft時序挖掘技術(shù)各個型號自行車的銷售量做出預(yù)測前幾步同決策樹的方法。在“選擇數(shù)據(jù)挖掘技術(shù)”頁的“您要使用何種數(shù)據(jù)挖掘技術(shù)？”下，選擇“Microsoft時序”。在“指定表類型”頁上，選擇 vTimeSeries 表旁邊的“事例”復(fù)選框，再單擊“下一步”。(1) 在“定型數(shù)據(jù)”頁上，選擇 TimeIndex 和 ModelRegion 列旁邊的“鍵”復(fù)選框。(2) 選擇“數(shù)量”列旁邊的“輸入”和“可預(yù)測”復(fù)選框。（1）在“完成向?qū)А表摰摹巴诰蚪Y(jié)

18、構(gòu)名稱”中，鍵入 Forecasting。（2）在“挖掘模型名稱”中，鍵入 Forecasting，再單擊“完成”。5.4.3 Microsoft關(guān)聯(lián)規(guī)則挖掘技術(shù)創(chuàng)建市場籃方案前幾步同決策樹的方法。在“選擇數(shù)據(jù)挖掘技術(shù)”頁的“您要使用何種數(shù)據(jù)挖掘技術(shù)？”下，選擇“Microsoft關(guān)聯(lián)規(guī)則”。在“指定表類型”頁上，選中 vAssocSeqOrders 表旁的“事例”復(fù)選框，選中 vAssocSeqLineItems 表旁邊的“嵌套”復(fù)選框，再單擊“下一步”。（1）在“指定定型數(shù)據(jù)”頁上，依次清除 CustomerKey 旁邊的“鍵”復(fù)選框

19、和 LineNumber 旁邊的“鍵”和“輸入”復(fù)選框。（2）選中 Model 列旁邊的“鍵”和“可預(yù)測”復(fù)選框。然后，系統(tǒng)也將自動選中“輸入”復(fù)選框。在“完成向?qū)А表摰摹巴诰蚪Y(jié)構(gòu)名稱”中，鍵入 Association。在“挖掘模型名稱”中，鍵入 Association，再單擊“完成”。5.4.4 Microsoft時序分析與聚類分析挖掘技術(shù)查看客戶瀏覽 Adventure Works 網(wǎng)站的方式前幾步同決策樹的方法。在“選擇數(shù)據(jù)挖掘技術(shù)”頁的“您要使用何種數(shù)據(jù)挖掘技術(shù)？”下，選擇“Microsoft順序分析與聚類分析”。在“指定表類型”

20、頁上，選中 vAssocSeqOrders 表旁的“事例”復(fù)選框，選中 vAssocSeqLineItems 表旁邊的“嵌套”復(fù)選框，再單擊“下一步”。（1）在“指定定型數(shù)據(jù)”頁中，清除 CustomerKey 旁的“鍵”復(fù)選框。（2）選中 Model 列旁的“輸入”和“可預(yù)測”復(fù)選框，再單擊“下一步”。（1）在“指定列的內(nèi)容和數(shù)據(jù)類型”頁上，單擊“下一步”。（2）在“完成向?qū)А表摰摹巴诰蚪Y(jié)構(gòu)名稱”中，鍵入 Sequence Clustering。（3）在“挖掘模型名稱”中，鍵入 Sequence Clustering，再單擊“完成”。5.5數(shù)據(jù)挖掘結(jié)果分析5.5.

21、1 Microsoft決策樹挖掘技術(shù)目標(biāo)郵件方案的挖掘結(jié)果分析挖掘結(jié)果決策樹結(jié)果分析：（1）在“決策樹”選項卡上，可以檢查構(gòu)成挖掘模型的所有樹模型。由于目標(biāo)郵件模型僅包含單個可預(yù)測屬性 (Bike Buyer)，所以只需查看一顆樹。（2）檢查決策樹查看器中的 TM_Decision_Tree 模型會看出，在預(yù)測自行車購買行為時，年齡是最重要的因素。從決策書中可以看出，按年齡對客戶進(jìn)行分組之后，每個年齡節(jié)點的決策樹的下一個分支都有所不同。通過瀏覽“決策樹”選項卡，我們可以得出如下結(jié)論：沒有汽車或者有一輛汽車、年齡在 34 到 40 的購買者購買自行車的可能性非常大，居住在太平洋地區(qū)

22、、沒有汽車或者有一輛汽車的更年輕的單身客戶購買汽車的可能性也非常大。注意：值 1 指示該客戶之前購買了自行車；值 0 指示該客戶尚未購買自行車。節(jié)點的底紋顏色越深，節(jié)點中具有目標(biāo)值的事例所占的百分比越大。挖掘結(jié)果依賴關(guān)系網(wǎng)絡(luò)結(jié)果分析：（1）“相關(guān)性網(wǎng)絡(luò)”選項卡可以顯示決定挖掘模型預(yù)測能力的各個屬性之間的關(guān)系。（2）相關(guān)性網(wǎng)絡(luò)的中間節(jié)點 (Bike Buyer) 表示挖掘模型中的可預(yù)測屬性。周圍的每個節(jié)點各表示一個會影響可預(yù)測屬性的結(jié)果的屬性?？墒褂迷撨x項卡左側(cè)的滑塊控制顯示的鏈接的強(qiáng)度。向下移動滑塊時，僅顯示最強(qiáng)鏈接。（3）單擊網(wǎng)絡(luò)中的單個節(jié)點，然后參考選項卡底部的顏色圖例，可查

23、看所選節(jié)點預(yù)測哪些節(jié)點，它本身又是由哪些節(jié)點預(yù)測的。5.5.2 Microsoft時序挖掘技術(shù)各個型號自行車的銷售量預(yù)測結(jié)果分析挖掘結(jié)果查看決策樹挖掘結(jié)果圖表選項卡圖相對圖表圖絕對圖表結(jié)果分析：（1）該圖表同時顯示歷史數(shù)據(jù)和未來數(shù)據(jù)。未來數(shù)據(jù)帶有底紋，以便與歷史數(shù)據(jù)區(qū)分開。使用“預(yù)測步驟”列表，可控制要顯示的數(shù)據(jù)未來步驟的數(shù)量。使用“顯示偏差”復(fù)選框，可在預(yù)測中添加錯誤欄。（2）正如上述圖表所示，所有區(qū)域的總銷售額一般會增長，并且每 12 個月（在 11 月）出現(xiàn)一次峰值。預(yù)測將按此趨勢進(jìn)行。5.5.3 Microsoft關(guān)聯(lián)規(guī)則挖掘技術(shù)

24、創(chuàng)建市場籃方案結(jié)果分析挖掘結(jié)果相集 “項集”選項卡顯示三種重要信息，這些信息與 Microsoft 關(guān)聯(lián)算法發(fā)現(xiàn)的項集相關(guān)：支持度（發(fā)生項集的事務(wù)的數(shù)量）、大?。椉许椀臄?shù)量）以及項集的實際構(gòu)成。根據(jù)算法參數(shù)的設(shè)置方式，算法可以生成大量的項集。使用“項集”選項卡頂部的控件，可以篩選查看器，使其僅顯示包含指定的最小支持度和項集大小的項集。結(jié)果分析：（1）市場籃方案根據(jù)客戶的在線購物籃中已有的其他產(chǎn)品創(chuàng)建一個可預(yù)測客戶購買需求的數(shù)據(jù)挖掘模型，該模型可預(yù)測可能出現(xiàn)在購物籃中的其他項或客戶想要放入購物籃的項。通過結(jié)果分析，例如若要僅查看包含有關(guān) Mountain-200 自行車信息的項

25、集，可在“篩選項集”中輸入 Mountain-200?？梢栽诓榭雌髦锌吹?，只有包含“Mountain-200”字樣的項集被顯示。查看器中返回的每個項集都包含有關(guān)銷售 Mountain-200 自行車事務(wù)的信息。例如，在“支持度”列中包含值 710 的項集表示：在所有事務(wù)中，710 個購買 Mountain-200 自行車的人也購買了 Sport-100 自行車，這個就體現(xiàn)了相集中的關(guān)聯(lián)信息。5.5.4 Microsoft時序分析與聚類分析挖掘技術(shù)查看客戶瀏覽 Adventure Works 網(wǎng)站的方式結(jié)果分析通過使用 Microsoft 順序分析和聚類分析算法，可以找到客戶將項放入購物籃的順序。然后可使用上述信息簡化網(wǎng)站的流程，這樣便可引導(dǎo)客戶購買更多的產(chǎn)品。挖掘結(jié)果“分類關(guān)系圖”選項卡結(jié)果分析：節(jié)點顏色的明暗度表示分類中所有事例的密度，節(jié)點越暗，包含的事例越多。可以更改節(jié)點明暗度代表的含義，使其表示屬性和狀態(tài)。例如，在“明暗度變量”列表中選擇“模型”，并在“狀態(tài)”列表中選擇“自行車帽”。分類關(guān)系圖顯示分類 9 包含的“自行車帽”密度最大。挖掘結(jié)果“分類剖面圖”選項卡結(jié)果分析：(1) 在查看器中，Model.samples 行表示序列數(shù)據(jù)，Model 行說明了分類中各項的總體分