Xreferat.com » Рефераты по информатике и программированию » Вступ до аналізу асоціативних правил

Вступ до аналізу асоціативних правил

виділення з множини вимірюваних характеристик об'єкта нових факторів, що більш адекватно відображають властивості об'єкта.

Вступ до аналізу асоціативних правил Кореляційний аналіз – усунення факторів, що не сильно впливають на результат (вихідні поля): такі фактори можуть бути виключені з розгляду практично без втрати корисної інформації. Критерієм прийняття рішення про виключення фактора служить порог чутливості: якщо кореляція (ступінь взаємозалежності) між вхідним та вихідним факторами є нижчою за поріг чутливості, то відповідний вхідний фактор відкидається як незначний.

Вступ до аналізу асоціативних правил Дублікати та протиріччя – виявлення дублікатів та суперечливих записів у вхідному наборі даних.

Вступ до аналізу асоціативних правил Фільтрація – фільтрація записів вибірки за заданими умовами.

Трансформація даних:

Вступ до аналізу асоціативних правил Налаштування набору даних – налаштування параметрів полів: можна змінити ім'я, мітку, тип, вид і призначення полів, а також налаштувати кешування проміжних даних.

Вступ до аналізу асоціативних правил Ковзаюче вікно – дозволяє здійснювати перетворення даних методом ковзаючого вікна.

Вступ до аналізу асоціативних правил Дата і час – опрацювання даних у форматі «дата» і «час» (наприклад, перетворення вхідних даних у днях в дані по тижнях).

Вступ до аналізу асоціативних правил Квантування значень вибірки – процес, в результаті якого відбувається розподілення значень неперервних даних між скінченною кількістю інтервалів заданої довжини.

Вступ до аналізу асоціативних правил Сортування – сортування записів у вхідній вибірці даних.

Вступ до аналізу асоціативних правил Злиття – об'єднання даних із двох таблиць.

Вступ до аналізу асоціативних правил Заміна – заміна значень згідно таблиці підстановки.

Вступ до аналізу асоціативних правил Групування даних.

Вступ до аналізу асоціативних правил Разгрупування даних – відновлення вибірки, до якої була застосована операція групування.

Data Mining:

Вступ до аналізу асоціативних правил Прогнозування часового ряду. Наприклад, методом ковзаючого вікна було одержано часовий ряд: Вступ до аналізу асоціативних правил, а потрібно спрогнозувати наступне значення Вступ до аналізу асоціативних правил на основі всіх попередніх значень.

Вступ до аналізу асоціативних правил Автокореляція – автокореляційний аналіз даних, метою якого є з'ясування ступеня статистичної залежності між різними значеннями випадкової послідовності. У процесі автокореляційного аналізу розраховуються коефіцієнти кореляції (міра взаємної залежності) для двох значень вибірки, що перебувають один від одного на певній відстані (кількість проміжних значень між ними), яку називають також лагом. Сукупність коефіцієнтів кореляції по всіх лагах називається автокореляційною функцією ряду. За поведінкою цієї функції можна судити про характер аналізованої послідовності: ступеня її гладкості, наявності періодичності, тощо.

Вступ до аналізу асоціативних правил Лінійна регресія – будується модель даних у вигляді набору коефіцієнтів лінійного перетворення.

Вступ до аналізу асоціативних правил Логістична регресія – будується бінарна логістична регресійна модель.

Вступ до аналізу асоціативних правил Нейромережа – опрацювання даних за допомогою багатошарової нейронної мережі.

Вступ до аналізу асоціативних правил Дерево рішень – опрацювання даних за допомогою дерев рішень.

Вступ до аналізу асоціативних правил Самоорганізовані карти – виконується кластеризація даних.

Вступ до аналізу асоціативних правил Асоціативні правила – виявлення залежностей між взаємозв'язаними подіями.

Вступ до аналізу асоціативних правил Користувацька модель – задання моделі вручну за формулами.

Інше:

Вступ до аналізу асоціативних правил Скрипт – застосування моделі до нових даних. Скрипти призначені для автоматизації процесу додавання в сценарій однотипних гілок обробки. По суті скрипт є динамічною копією вибраної ділянки сценарію. При зміні оригінальної гілки змінюється і скрипт, який посилається на неї. Наприклад, після імпорту даних з двох різних баз даних потрібно провести їх попередню обробку (очистити дані, згладити, поміняти назви стовпців, додати кілька однакових значень, тощо) та побудувати однакові моделі прогнозу, а потім експортувати отримані дані назад. Для першої гілки (першої БД) ці дії проводяться як звичайно: послідовними кроками будується ланцюжок обробників. Для другого джерела (другої БД) достатньо буде створити вузол імпорту, до якого потрібно приєднати скрипт, що базується на побудованій першій гілці. У цьому скрипті будуть виконані точно такі ж дії, як в оригінальній гілці. На виході скрипта ставиться вузол експорту, і друга гілка є готовою до використання. Аналогом скриптів є функції та процедури в мовах програмування: гілка обробки будується один раз, а потім за допомогою скриптів виконуються закладені в ній універсальні обробники.

Вступ до аналізу асоціативних правил Калькулятор – дозволяє сформувати нове поле вибірки як результат обчислень над даними з інших полів.

Вступ до аналізу асоціативних правил Умова – дозволяє організувати умовне виконання сценарію обробки даних.

Вступ до аналізу асоціативних правил Команда OC – забезпечує формування й запуск різних команд операційної системи.

Залежно від обраного методу Майстер обробки буде містити різне число кроків і набір параметрів, що надбудовуються на кожному кроці. На кожному кроці Майстра обробки доступні кнопки «Далі», «Назад» та «Скасувати».


Майстер візуалізації даних


Майстер візуалізації допоможе в інтерактивному покроковому режимі вибрати та налаштувати найбільш зручний спосіб подання даних. В залежності від обраного способу візуалізації будуть налаштовуватись різні параметри, а Майстер, відповідно, буде містити різне число кроків.

Для виклику Майстра візуалізації можна скористатися кнопкою Вступ до аналізу асоціативних правил «Майстер візуалізації» на панелі інструментів Вступ до аналізу асоціативних правил «Сценарії», попередньо виділивши потрібну гілку у сценарії опрацювання або вибравши відповідну команду з контекстного меню для даної гілки сценарію.


Виконання аналізу асоціативних правил


На першому кроці необхідно імпортувати дані в Deductor. Використовуючи кнопку Вступ до аналізу асоціативних правил, вказуємо шлях до текстового файлу з роздільниками. Для прикладу, можна вибрати один із готових прикладів у папці «Samples» – Supermarket.txt:

Вступ до аналізу асоціативних правил


Пілся натискування кнопки «Далі» вказуємо тип роздільника та інші параметри імпорту. Наступним кроком є вказання параметрів стопвпців:


Вступ до аналізу асоціативних правил


Після цього натискаємо кнопку «Далі», а потім – «Пуск». Після виконання процесу імпорту даних з текстового файлу потрібно вибрати спосіб їх відображення (за замовчуванням – таблиця). Після цього маємо дані, готові для опрацювання:

асоціативний правило аналітичний

Вступ до аналізу асоціативних правил


Стаємо на відповідну гілку в сценарії та натискаємо кнопку Вступ до аналізу асоціативних правил Майстра обробки даних:


Вступ до аналізу асоціативних правил


Серед методів опрацювання даних вибираємо Вступ до аналізу асоціативних правил Асоціативні правила, після чого потрібно вказати, який стовпець відповідає за номер чи ідентифікатор транзакції, а який містить самі елементи (в даному випадку – покупки):


Вступ до аналізу асоціативних правил

Наступне вікно дозволяє вказати значення мінімальних та максимальних підтримки та достовірності правил:


Вступ до аналізу асоціативних правил


В наступному вікні натискаємо кнопку «Пуск», після чого здійснюється аналіз згідно вказаних значень:


Вступ до аналізу асоціативних правил


Далі знову пропонуються різні способи візуалізації даних. Вибираємо всі способи відображення, що знаходяться в групі «Data Mining». В результаті одержуємо:

Набір асоціативних правил з вказанням їх підтримки, достовірності та кількості.

Популярні набори елементів (в даному випадку – покупок).

Дерево правил за наслідком, наприклад:


Вступ до аналізу асоціативних правил


що буде показувати, після покупки яких продуктів далі ймовірно будуть куплені сухарі.

Можливість розрахувати умову «якщо... то...»: наприклад, можна вказати умову «вафлі», а потім натиснути кнопку «Розрахувати правила» або Ctrl+Enter. Після цього внизу в області наслідку з’являться відповідні записи «чай», «сухарі», «сухарі і чай» з вказанням всіх параметрів.


Размещено на

1 Приклад з підручника: Методы и модели анализа данных: OLAP и Data Mining / А. А. Барсегян, М. С. Куприянов, В. В. Сепаненко, И. И. Холод.

2 Імплікація — логічний оператор «якщо …, то …».

3 ADO (від англ. ActiveX Data Objects — «об'єкти даних ActiveХ») — інтерфейспрограмування ужитків для доступу до даних, розроблений компанією Microsoft (MS Access, MS SQL Server), що базується на технології компонентів ActiveX. ADO дозволяє представляти дані з різноманітних джерел (реляційних баз даних, текстових файлів і т.д.) в объектно-орієнтованому вигляді.

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: