SPSS關聯(lián)模型步驟

1、精選優(yōu)質文檔-傾情為你奉上SPSS Clenmentines提供眾多的預測模型，這使得它們可以應用在多種商業(yè)領域中：如超市商品如何擺放可以提高銷量；分析商場營銷的打折方案，以制定新的更為有效的方案；保險公司分析以往的理賠案例，以推出新的保險品種等等，具有很強的商業(yè)價值。超市典型案例如何擺放超市的商品引導消費者購物從而提高銷量，這對大型連鎖超市來說是一個現(xiàn)實的營銷問題。關聯(lián)規(guī)則模型自它誕生之時為此類問題提供了一種科學的解決方法。該模型利用數(shù)據(jù)挖掘的技術，在海量數(shù)據(jù)中依據(jù)該模型的獨特算法發(fā)現(xiàn)數(shù)據(jù)內(nèi)在的規(guī)律性聯(lián)系，進而提供具有洞察力的分析解決方案。通過一則超市銷售商品的案例，利用“關聯(lián)規(guī)則模型”，來

2、分析商品交易流水數(shù)據(jù)，以其發(fā)現(xiàn)合理的商品擺放規(guī)則，來幫助提高銷量。關聯(lián)規(guī)則簡介關聯(lián)規(guī)則的定義關聯(lián)規(guī)則表示不同數(shù)據(jù)項目在同一事件中出現(xiàn)的相關性，就是從大量數(shù)據(jù)中挖掘出關聯(lián)規(guī)則。有關數(shù)據(jù)挖掘關聯(lián)規(guī)則的具體理論依據(jù)這里不做詳細講解，大家可以參看韓家煒的數(shù)據(jù)挖掘概論。為了更直觀的理解關聯(lián)規(guī)則，我們首先來看下面的場景。一個市場分析人員經(jīng)常要考慮這樣一個問題：哪些商品是頻繁被顧客同時購買的？顧客1：牛奶+面包+谷類顧客2：牛奶+面包+糖+雞蛋顧客3：牛奶+面包+黃油顧客4：糖+雞蛋以上的情景類似于當年沃爾瑪做的市場調(diào)查：啤酒+尿片擺放在同一個貨架上，銷售業(yè)績激增的著名關聯(lián)規(guī)則應用。市場分析員分析顧客購買商

3、品的場景，顧客購買面包同時也會購買牛奶的購物模式就可用以下的關聯(lián)規(guī)則來描述：面包 => 牛奶 支持度 =2%, 置信度 =60% （式 1）式 1中面包是規(guī)則前項（Antecedent），牛奶是規(guī)則后項 (Consequent)。實例數(shù)（Instances）表示所有購買記錄中包含面包的記錄的數(shù)量。支持度（Support）表示購買面包的記錄數(shù)占所有的購買記錄數(shù)的百分比。規(guī)則支持度（Rule Support）表示同時購買面包和牛奶的記錄數(shù)占所有的購買記錄數(shù)的百分比。置信度（confidence）表示同時購買面包和牛奶的記錄數(shù)占購買面包記錄數(shù)的百分比。提升（Lift）表示置信度與已知購買牛奶的

4、百分比的比值，提升大于 1 的規(guī)則才是有意義的。關聯(lián)規(guī)則 式 1的支持度 2% 意味著，所分析的記錄中的 2% 購買了面包。置信度 60% 表明，購買面包的顧客中的 60% 也購買了牛奶。如果關聯(lián)滿足最小支持度閾值和最小置信度閾值，就說關聯(lián)規(guī)則是有意義的。這些閾值可以由用戶或領域專家設定。就顧客購物而言，根據(jù)以往的購買記錄，找出滿足最小支持度閾值和最小置信度閾值的關聯(lián)規(guī)則，就找到顧客經(jīng)常同時購買的商品。此處進行關聯(lián)規(guī)則應用可以使用兩種數(shù)據(jù)格式：1，交易數(shù)據(jù)格式，2，表格格式。1.交易格式CustomerID      

5、60;                            ITEM1                    

6、0;                       bread2                          

7、60;                 jam3                                

8、0;           juice3                                      

9、60;     jam4                                            milk2.表格格

10、式CustomerID                bread                      jam          

11、60;      juice             milk1                         T      &

12、#160;                   F                   F            

13、60;    F2                         F                     

14、;     T                   F                 F3          

15、0;              F                          T           

16、        T                 F4                         F  

17、;                        F                   F       &#

18、160;         T關聯(lián)規(guī)則挖掘算法Aprior、Carma 和序列節(jié)點是常用的關聯(lián)規(guī)則挖掘算法，它們都可以使用交易格式和表格格式數(shù)據(jù)進行挖掘處理。其中 Aprior 算法，處理速度快，對包含的規(guī)則數(shù)沒有限制，是一種最有影響的挖掘關聯(lián)規(guī)則的方法。本次試驗將使用SPSS Clementine11 自帶的安裝目錄下的 Demos 文件夾下的 BASKETS1n 數(shù)據(jù)。希望分析出哪些商品會和啤酒一起購買，以此來合理安排商品的擺放，進而提高啤酒的銷量。此數(shù)據(jù)屬于表格格式數(shù)據(jù)，每條記錄表示顧客的一

19、次購物。記錄的字段包括卡號、顧客基本信息、付款方式和商品名稱（每個商品一個字段 , 該商品字段值為 T, 表示購買該商品 , 值為 F 表示未購買，具體可參考表 2, 表格格式數(shù)據(jù)）。商品名稱都有 fruitveg（水果蔬菜），freshmeat（生鮮肉），dairy（奶制品），cannedveg（罐裝蔬菜），cannedmeat（罐裝肉），fozenmeal（凍肉），beer（啤酒）, wine（酒類），softdrink（軟飲），fish（魚）, confectionery（甜食）。首先打開Clementine ，會出現(xiàn)一張空白的流界面，這時用戶可以在里面創(chuàng)建自己的流。第一步，為流添加一個

20、數(shù)據(jù)節(jié)點，這里選擇 Clementine自帶的 Demo 數(shù)據(jù)。將界面下方選項卡的“數(shù)據(jù)源”選項中的“可變文件”拖放到空白界面中，雙擊打開，在文件選項卡中選擇 Clementine 自帶的 Demo 數(shù)據(jù)BASKETS1n，如圖所示。點擊確定按鈕，這時就成功的創(chuàng)建了數(shù)據(jù)節(jié)點。第二步，為流添加類型節(jié)點，類型節(jié)點是顯示和設置數(shù)據(jù)每個字段的類型、格式和角色。從界面下方的“字段選項”卡中，將“類型”節(jié)點拖放到界面中，接著將數(shù)據(jù)節(jié)點和類型節(jié)點連接起來，或者直接在“字段選項”卡中雙擊“類型”節(jié)點，將兩者連接起來。這時雙擊打開“類型”節(jié)點，此時“類型”節(jié)點中顯示了數(shù)據(jù)的字段和其類型，點擊“類型”節(jié)

21、點界面上的“讀取值”按鈕，這時會將數(shù)據(jù)節(jié)點中的數(shù)據(jù)讀取過來。如下圖所示。接著可以為參與建模的數(shù)據(jù)字段設置角色，角色分“輸入”，“目標”，“兩者”和“無”。輸入表示該字段可供建模使用，目標表示該字段為建模的預測目標，兩者表示該字段為布爾型的輸入字段，無表示該字段不參與建模。Apriori 節(jié)點需要一個或多個輸入字段和一個或多個目標字段，輸入字段和輸出字段必須是符號型字段。在此可以選擇一個或多個字段為目標字段，表明該模型的預測目標字段；對于 Apriori 建模節(jié)點，也可以不設置目標字段，則需要在建模節(jié)點中設置“后項”。第三步，為流添加 過濾節(jié)點，將不參與的字段排除在外。該步驟為可選步驟

22、。從“字段選項”卡中選擇“過濾”節(jié)點，并將其拖入到界面中，將“過濾”節(jié)點加入到流中。雙擊打開“過濾”節(jié)點，在不參與建模字段的箭頭上點擊，會出現(xiàn)一個紅叉，表示該字段被過濾掉了，不參與建模，如圖所示。對于一些與建模關系不大的節(jié)點可以將其過濾掉，比如卡號、性別、家鄉(xiāng)和年齡字段。第四步，有了這些前期的準備過程，接下來就可以開始創(chuàng)建關聯(lián)規(guī)則模型節(jié)點了，在此之前，讓我們先添加一個圖形節(jié)點 網(wǎng)絡節(jié)點，建立此節(jié)點的目的是為了讓用戶首先可以直觀的看到商品之間的關聯(lián)程度，有一個感性認識。選擇“圖形”選項卡中的“網(wǎng)絡”節(jié)點，將此拖入界面，將“網(wǎng)絡”節(jié)點加入流中，與“過濾”節(jié)點連接起來。雙擊打開網(wǎng)絡節(jié)點，在

23、“字段”列表中選擇添加字段，可以將所有的商品字段添加進來；也可以點擊“僅顯示真值標志”，將只顯示那些“兩者”的字段，如圖所示。點擊“選項”卡，進入選項設置，用戶可以在此設置鏈接數(shù)量的顯示范圍，不顯示一些鏈接數(shù)量低的鏈接，如圖所示。點擊“運行”按鈕，這時會生成一個商品之間關聯(lián)程度（鏈接數(shù)量）的網(wǎng)絡圖，用戶可以在下方的調(diào)節(jié)桿上調(diào)節(jié)鏈接數(shù)量的顯示范圍。上圖中，線的粗細和深淺代表聯(lián)系的強弱，可以直觀的看到 beer 和 frozenmeat，cannedeg 聯(lián)系程度比較強。第五步，添加“建?！惫?jié)點到流中，開始關聯(lián)規(guī)則模型設置和使用的篇章。首先點擊界面下方“建?！边x項卡，再點擊 Apriori，節(jié)點拖

24、放到界面中，連接該節(jié)點到過濾節(jié)點上，或者雙擊 Apriori 節(jié)點。接著設置 Apriori 節(jié)點的參數(shù)，建立關聯(lián)規(guī)則模型。雙擊打開 Apriori 節(jié)點，如下圖所示。該“字段”選項卡，是設置參與建模的字段和目標字段的，可以看到其中包括兩個選項，“使用類型節(jié)點設置”和“使用定制設置”，這里將為用戶分別呈現(xiàn)兩種選項的使用方法。這里無論選擇哪個選項，都需要將市場分析員重點關注的商品包括在其中，其他商品可以不包括。如果用戶選擇“使用定制設置”選項，則需要將啤酒設置在“后項”列表中，將其他重點關注的商品設置在“前項”列表中，如下圖所示。這里，分區(qū)允許您使用指定字段將數(shù)據(jù)分割為幾個不同的樣本，分別用于模

25、型構建過程中的訓練、測試和驗證階段。如果設置了“分區(qū)”，除了在此選擇分區(qū)字段外，還需要在“模型”選項卡中，勾上“使用分區(qū)數(shù)據(jù)”的選擇框。關于“分區(qū)”的概念、作用和使用方法，本文不做詳細介紹。除此，“使用事務處理格式”選擇框，是針對于事務性數(shù)據(jù)的，如果數(shù)據(jù)為交易格式，需要勾上此選擇框，但本示例的數(shù)據(jù)為表格格式，故無需選擇。設置好了字段后，點擊“模型”選項卡，進入模型設置。如下圖所示。用戶可以在“模型名稱”處為本模型設置一個名字，如果想使用分區(qū)功能，則需要勾上“使用分區(qū)數(shù)據(jù)”選項。用戶為規(guī)則模型設置一個 最低條件支持度，那么模型將從所有規(guī)則中選擇那些為真，并且其對應的記錄的百分比大于此值的規(guī)則。如果您獲得的規(guī)則適用于非常小的數(shù)據(jù)子集，請嘗試增加此設置。接著，用戶需要為模型設置一個 最小規(guī)則置信度，表明正確預測的百分比。置信度低于指定標準的規(guī)則將被放棄。如果您獲得的規(guī)則太多，請嘗試增加此設置。如果您獲得的規(guī)則太少（甚至根本無法獲得規(guī)則），請嘗試降低此設置。用戶還可以為任何規(guī)則指定“最大前項數(shù)”。這是一種用來限制規(guī)則復雜性的方式。如果規(guī)則太復雜或者太具體，請嘗試降低此設置。