数据仓库与数据挖掘试验报告乘用车数据挖掘.docx
《数据仓库与数据挖掘试验报告乘用车数据挖掘.docx》由会员分享,可在线阅读,更多相关《数据仓库与数据挖掘试验报告乘用车数据挖掘.docx(26页珍藏版)》请在冰豆网上搜索。
数据仓库与数据挖掘试验报告乘用车数据挖掘
《数据仓库与数据挖掘》实验指导书
(适用于信息系统与信息管理专业)
编者:
XXX
XXX大学管理学院
20102-6
目录
实验目的:
1、熟悉Clementine软件从数据导入到结果输出的全过程。
2、复习Clementine软件中聚类方法。
3、复习Clementine软件中的关联分析方法
实验内容:
在Clementine中建立乘用车数据分析模型;
聚类分析:
使用K-Means、Kohonen、两步法,进行聚类,并简单给出结论;
异常点分析:
使用“异常”节点进行异常分析,并简单给出结论;
关联规则分析:
对其中感兴趣的字段进行关联分析,画出网络图,并简单给出结论。
乘用车数据分析:
打开操作区,选择“可变文件”,将之拖入操作区,编辑“可变文件”
,打开我的U盘中的“乘用车数据库——信管0901.csv”数据源,如图所示:
在“类型”中将各个字段的值读入,如图所示:
从总体中抽取37%进行数据分析:
把不用的字段过滤出去:
然后进行各项分析。
K-means分析:
创建K-means结点,编辑使用定制设置,选择所要进行分析的字段名,如图:
选择“执行”,执行之后在右侧区域形成K-means模型,并将K-means模型拖入操作区并与数据源相连。
如图:
单击模型进行分析:
点击“查看器”:
分析结果:
在对各项的字段进行分析中,对制造商名称、厢数、价格分成三个聚类,得出的结果是价格的重要性大于0.95,而厢数的重要性则为0.00,说明价格对聚类的影响程度很大,而厢数的影响程度几乎为0。
Kohomen分析:
创建Kohomen分析结点,选择相应的要分析的字段:
编辑完毕之后点击“执行”:
点击模型查看分析结果:
在查看器的分析结果中,年份和车系字段的重要性均大于0.95,这说明年份和车系对聚类的影响程度都很大。
两步聚类分析:
创建“两步”聚类分析结点,并进行编辑:
点击“执行”生成两步聚类分析模型,如图:
点击查看分析结果:
在分析结果中发现,价格、车系字段的重要程度均大于0.95,说明这些因素对于聚类的影响程度都很高。
异常分析:
创建“异常分析”结点并与源文件相连;
在编辑结点中,选择所要分析的字段,如图所示:
点击“执行”后,形成异常分析的模型,然后点击查看:
为了更好的查看异常用户的异常情况,创建一张表,用来显示异常用户的基本信息。
然后对表进行排序,将正常用户与异常用户隔离开来。
如图所示:
分析结果如图所示:
在字段“O-Anomaly”中,若字段值为“F”,则为正常用户,若字段值为“T”,则为异常用户。
关联分析:
运行到最后,解雇如下图: