SPSSClementine和KNIME数据挖掘入门.docx
《SPSSClementine和KNIME数据挖掘入门.docx》由会员分享，可在线阅读，更多相关《SPSSClementine和KNIME数据挖掘入门.docx（59页珍藏版）》请在冰豆网上搜索。
SPSSClementine和KNIME数据挖掘入门
SPSS Clementine是Spss公司收购ISL获得的数据挖掘工具。
在Gartner的客户数据挖掘工具评估中，仅有两家厂商被列为领导者：
SAS和SPSS。
SAS获得了最高abilitytoexecute评分，代表着SAS在市场执行、推广、认知方面有最佳表现；而SPSS获得了最高的completenessofvision，表明SPSS在技术创新方面遥遥领先。
客户端基本界面
SPSSClementine（在此简称clementine）在安装好后会自动启用服务，服务端的管理需要使用SPSSPredictiveEnterpriseManager，在服务端clementine没有复杂的管理工具，一般的数据挖掘人员通过客户端完成所有工作。
下面就是clementine客户端的界面。
一看到上面这个界面，我相信只要是使用过SSIS+SSAS部署数据挖掘模型的，应该已经明白了六、七分。
是否以跃跃欲试了呢，别急，精彩的还在后面^_’
项目区
顾名思义，是对项目的管理，提供了两种视图。
其中CRISP-DM（CrossIndustryStandardProcessforDataMining，数据挖掘跨行业标准流程）是由SPSS、DaimlerChrysler（戴姆勒克莱斯勒，汽车公司）、NCR（就是那个拥有Teradata的公司）共同提出的。
Clementine里通过组织CRISP-DM的六个步骤完成项目。
在项目中可以加入流、节点、输出、模型等。
工具栏
工具栏总包括了ETL、数据分析、挖掘模型工具，工具可以加入到数据流设计区中，跟SSIS中的数据流非常相似。
Clementine中有6类工具。
源工具（Sources）
相当SSIS数据流中的源组件啦，clementine支持的数据源有数据库、平面文件、Excel、维度数据、SAS数据、用户输入等。
记录操作（RecordOps）和字段操作（FieldOps）
相当于SSIS数据流的转换组件，RecordOps是对数据行转换，FieldOps是对列转换，有些类型SSIS的异步输出转换和同步输出转换（关于SSIS异步和同步输出的概念，详见拙作：
图形（Graphs）
用于数据可视化分析。
输出（Output）
Clementine的输出不仅仅是ETL过程中的load过程，它的输出包括了对数据的统计分析报告输出。
※在ver11，Output中的ETL数据目的工具被分到了Export的工具栏中。
模型（Model）
Clementine中包括了丰富的数据挖掘模型。
数据流设计区
这个没什么好说的，看图就知道了，有向的箭头指明了数据的流向。
Clementine项目中可以有多个数据流设计区，就像在PhotoShop中可以同时开启多个设计图一样。
比如说，我这里有两个数据流：
Stream1和Stream2。
通过在管理区的Streams栏中点击切换不同的数量流。
管理区
管理区包括Streams、Outputs、Models三栏。
Streams上面已经说过了，是管理数据流的。
Outputs
不要跟工具栏中的输出搞混，这里的Outputs是图形、输出这类工具产生的分析结果。
例如，下面的数据源连接到矩阵、数据审查、直方图工具，在执行数据流后，这个工具产生了三个输出。
在管理区的Outputs栏中双击这些输出，可看到输出的图形或报表。
Models
经过训练的模型会出现在这一栏中，这就像是真表（TruthTable）的概念那样，训练过的模型可以加入的数据流中用于预测和打分。
另外，模型还可以导出为支持PMML协议的XML文件，但是PMML没有给定所有模型的规范，很多厂商都在PMML的基础上对模型内容进行了扩展，Clementine除了可以导出扩展的SPSSSmartScore，还可以导出标准的PMML3.1。
下面使用AdventureWorks数据库中的TargetMail作例子，通过建立分类树和神经网络模型，决策树用来预测哪些人会响应促销，神经网络用来预测年收入。
TargetMail数据在SQLServer样本数据库AdventureWorksDW中的dbo.vTargetMail视图，关于TargetMail详见：
或者我之前的随笔：
1. 定义数据源
将一个Datebase源组件加入到数据流设计区，双击组件，设置数据源为dbo.vTargetMail视图。
在Types栏中点“ReadValues”，会自动读取数据个字段的Type、Values等信息。
Values是字段包含的值，比如在数据集中NumberCardsOwned字段的值是从0到4的数，HouseOwnerFlag只有1和0两种值。
Type是依据Values判断字段的类型，Flag类型只包含两种值，类似于boolean；Set是指包含有限个值，类似于enumeration；Ragnge是连续性数值，类似于float。
通过了解字段的类型和值，我们可以确定哪些字段能用来作为预测因子，像AddressLine、Phone、DateFirstPurchase等字段是无用的，因为这些字段的值是无序和无意义的。
Direction表明字段的用法，“In”在SQLServer中叫做“Input”,“Out”在SQLServer中叫做“PredictOnly”,“Both”在SQLServer中叫做“Predict”，“Partition”用于对数据分组。
2. 理解数据
在建模之前，我们需要了解数据集中都有哪些字段，这些字段如何分布，它们之间是否隐含着相关性等信息。
只有了解这些信息后才能决定使用哪些字段，应用何种挖掘算法和算法参数。
在除了在建立数据源时Clementine能告诉我们值类型外，还能使用输出和图形组件对数据进行探索。
例如先将一个统计组件和一个条形图组件拖入数据流设计区，跟数据源组件连在一起，配置好这些组件后，点上方绿色的箭头。
等一会，然后这两个组件就会输出统计报告和条形图，这些输出会保存在管理区中（因为条形图是高级可视化组件，其输出不会出现在管理区），以后只要在管理区双击输出就可以看打开报告。
3. 准备数据
将之前的输出和图形工具从数据流涉及区中删除。
将FieldOps中的Filter组件加入数据流，在Filter中可以去除不需要的字段。
我们只需要使用MaritalStatus、Gender、YearlyIncome、TatalChildren、NumberChildrenAtHome、EnglishEducation、EnglishOccupation、HouseOwnerFlag、NumberCarsOwned、CommuteDistance、Region、Age、BikeBuyer这些字段。
加入Sample组件做随机抽样，从源数据中抽取70%的数据作为训练集，剩下30%作为检验集。
注意为种子指定一个值，学过统计和计算机的应该知道只要种子不变，计算机产生的伪随机序列是不变的。
因为要使用两个挖掘模型，模型的输入和预测字段是不同的，需要加入两个Type组件，将数据分流。
决策树模型用于预测甚麽人会响应促销而购买自行车，要将BikeBuyer字段作为预测列。
神经网络用于预测年收入，需要将YearlyIncome设置为预测字段。
有时候用于预测的输入字段太多，会耗费大量训练时间，可以使用FeatureSelection组件筛选对预测字段影响较大的字段。
从Modeling中将FeatureSelection字段拖出来，连接到神经网络模型的组件后面，然后点击上方的ExecuteSelection。
FeatureSelection模型训练后在管理区出现模型，右击模型，选Browse可查看模型内容。
模型从12个字段中选出了11个字段，认为这11个字段对年收入的影响比较大，所以我们只要用这11个字段作为输入列即可。
将模型从管理区拖入数据流设计区，替换原来的FeatureSelection组件。
4. 建模
加入NearalNet和CHAID模型组件，在CHAID组件设置中，将Mode项设为”Launchinteractivesession”。
然后点上方的绿色箭头执行整个数据流。
Clementine在训练CHAID树时，会开启交互式会话窗口，在交互会话中可以控制树生长和对树剪枝，避免过拟合。
如果确定模型后点上方黄色的图标。
完成后，在管理区又多了两个模型。
把它们拖入数据流设计区，开始评估模型。
5. 模型评估
修改抽样组件，将Mode改成“DiscardSample”，意思是抛弃之前用于训练模型的那70%数据，将剩下30%数据用于检验。
注意种子不要更改。
我这里只检验CHAID决策树模型。
将各种组件跟CHAID模型关联。
执行后，得到提升图、预测准确率表……
6. 部署模型
Export组件都可以使用Publish发布数据流，这里会产生两个文件，一个是pim文件，一个是par文件。
pim文件保存流的所有信息，par文件保存参数。
有了这两个文件就可以使用clemrun.exe来执行流，clemrun.exe是ClementineSolutionPublisher的执行程序。
ClementineSolutionPublisher是需要单独授权的。
在SSIS中pim和par类似于一个dtsx文件，clemrun.exe就类似于dtexec.exe。
如果要在其他程序中使用模型，可以使用Clementine执行库（CLEMRTL），相比起Microsoft的oledbfordm，SPSS的提供的API在开发上还不是很好用。
了解SPSSClementine的基本应用后，再对比微软的SSAS，各自的优缺点就非常明显了。
微软的SSAS是ServiceOriented的数据挖掘工具，微软联合SAS、Hyperion等公司定义了用于数据挖掘的web服务标准——XMLA，微软还提供OLEDBforDM接口和MDX。
所以SSAS的优势是管理、部署、开发、应用耦合方便。
但SQLServer2005使用VisualStudio2005作为客户端开发工具，VisualStudio的SSAS项目只能作为模型设计和部署工具而已，根本不能独立实现完整的Crisp-DM流程。
尽管MSExcel也可以作为SSAS的客户端实现数据挖掘，不过Excel显然不是为专业数据挖掘人员设计的。
PS：
既然说到VisualStudio，我又忍不住要发牢骚。
大家都知道VisualStudioTeamSystem是一套非常棒的团队开发工具，它为团队中不同的角色提供不同的开发模板，并且还有一个服务端组件，通过这套工具实现了团队协作、项目管理、版本控制等功能。
SQLServer2005相比2000的变化之一就是将开发客户端整合到了VisualStudio中，但是这种整合做得并不彻底。
比如说，使用SSIS开发是往往要一个人完成一个独立的包，比起DataStage基于角色提供了四种客户端，VS很难实现元数据、项目管理、并行开发……；现在对比Clementine也是，Clementine最吸引人的地方就是其提供了强大的客户端。
当然，VisualStudio本身是很好的工具，只不过是微软没有好好利用而已，期望未来的SQLServer2K8和VisualStudio2K8能进一步改进。
所以我们不由得想到如果能在SPSSClementine中实现Crisp-DM过程，但是将模型部署到SSAS就好了。
首先OLEDBforDM包括了Model_PMML结构行集，可以使用DMX语句“CreateMiningModelFromPMML”将SPSSClementine导出的PMML模型加入SSAS。
如果我记得没错的话，SQLServer2005最初发表版本中AnalysisServices是PMML2.1标准，而Clementine11是PMML3.1的，两者的兼容性不知怎样，我试着将一个PMML文件加入SSAS，结果提示错误。
另外，在SPSSClementine中可以整合SSAS，通过使用SSAS的算法，将模型部署到SSAS。
具体的做法是：
在SSAS实例中修改两个属性值。
在Clementine菜单栏选Tools ->HelperApplications。
然后启用SSAS整合，需要选择SSAS数据库和SQLServerRMDBS，RMDBS是用来存储临时数据的，如果在Clementine的流中使用了SAS数据源，但SSAS不支持SAS数据文件，那么Clementine需要将数据源存入临时数据表中以便SSAS能够使用。
启用整合后，就可以在工具栏中看到多出了一类DatebaseModeling组件，这些都是SSAS的数据挖掘算法，接下来的就不用说了……
可惜的是SSAS企业版中就带有9种算法，另外还有大量第三方的插件，但Clementine11.0中只提供了7种SSAS挖掘模型。
一接触数据挖掘，用的就是Knime，什么Weka，SPSS，SAS基本都只限于听说过而已-_-.由于是基于eclipse的，对我来说自然是十分亲切，所以用起来也十分顺手，用了也有一段时间，打算做个阶段性小结，也顺便提高自己。
Knime是基于Eclipse的开源数据挖掘软件，它通过工作流的方式来完成数据仓库以及数据挖掘中数据的抽取-转换-加载（Extract-Transform-Load）操作。
其中工作流又是由各个功能便利的结点来完成，节点之间相互独立，可以单独执行并将执行后的数据传给下一个结点。
界面如下：
将左下角NodeRepository区域的结点以此拖入中间的WorflowEditor形成工作流：
结点的状态：
结点上有三盏灯，就像红黄绿交通灯一样。
当结点刚被拖入工作区的时候，红灯亮起表示数据无法通过，这时需要对结点进行配置，让它可以执行。
右键单击结点选择“Configure”对结点进行配置；配置完成并且正确的话，便会亮起黄灯，表示准备就绪数据可以通过；再次右键单击结点选择“Execute”运行这个结点，当绿灯亮起时表示结点执行成功，数据已经通过并传给下一个结点。
结点分类，一共有以下几类结点：
1、IO类结点，用于文件、表格、数据模型的输入和输出操作；
2、数据库操作类结点，通过JDBC驱动对数据库进行操作；
3、数据操作类结点，对上一结点传进来的数据进行筛选、变换以及简单的统计学计算等操作；
4、数据视图类结点，提供了数据挖掘中最常用的表格及图形的展示，包括盒图，饼图，直方图，数据曲线等；
5、统计学模型类结点，封装了统计学模型算法类的结点，如线性回归、多项式回归等；
6、数据挖掘模型类结点，提供了贝叶斯分析，聚类分析，决策树，神经网络等主要的DM分类模型以及相应的预测器；
7、META原子结点，该类结点可以对任意的及结点进行嵌套封装，还提供了后向传播、迭代、循环、交叉验证等方法；
8、其他，可供我们自定义java代码段，以及设置规则引擎。
本文来自CSDN博客，转载请标明出处：
作者：
数据挖掘技术研究小组
版本：
1.0
日期：
20050806
第三部分应用实例
一、市场购物篮问题分析
1.Businessanddataunderstanding
目标：
客户细分，发现购买相似的客户群，用人口统计学特征进行描述。
方法：
关联规则建模
数据集：
baskets包括字段：
Candid：
该购物篮使用者的忠诚卡识别字
Value：
付款总额Pmethod：
付款方法
持卡者详细的个人资料
sex：
性別homeown：
持有信用卡的人是否是有自己的住房
income：
收入age：
年齡
购物篮內容:
fruitveg水果蔬菜freshmeat新鲜肉品
dairy牛奶cannedveg罐装蔬菜
cannedmeat罐装肉品frozenmeal冷冻肉品
beer啤酒wine酒
softdrink苏打饮料fish鱼
confectionery糖果
过程：
2.Explore
使用web图和GRI节点来观察客户购买的商品之间的联系。
首先要在type节点中定义变量类型和方向，将candid设置为typeless，个人资料字段设置为none，其他购物篮内容设置为both（即可以作为输入也可作为输出）流程如下：
图3.1.1
GRI输出结果：
图3.1.2
从上面的结果中看出:
肉类、啤酒、罐装蔬菜关联性比较大。
提高此web图的门槛值，只留下最强的连接。
操作步骤如下：
（1）移动工具栏上的滑标，设置只有到达50个的连接才显示出来。
滑标上的工具提示目前的连接强度。
（2）选择显示若连接还是强连接。
单击工具条上的黄色箭头按钮，扩展对话方框来显示web输出概要和控制项。
（3）选择显示强/正常/弱的大小。
这将启动下面的滑标控制项。
（4）使用滑标或在文本框中指定一个数来设置低于90的弱连接。
（5）使用滑标或在文本框中指定一个数来设置高于100的强连接。
图3.1.3
从web和GRI分析结果来看可以找出三组强连接：
（1）beer、cannedveg、frozenmeal
（2）wine、confectionery
（3）fruitveg、fish
从而可以归纳出三类客户，通过derive节点生成一个标记字段来区别这三类客户，在derive节点中增加一个set类型字段，如下：
图3.1.4
更正：
上式中3对应得条件应为（'frozenmeal'=='T'and'beer'=='T'）and（'cannedveg'=='T'and'beer'=='T'）and（'cannedveg'=='T'and'frozenmeal'=='T'）
图3.1.5
另一种方法：
把鼠标放在连线上，线变成红色后点击右键的generatederivenodeforlink这时就生成了一个二分变量。
由web显示器生成三个二分变量来标记三种客户：
图3.1.6
3.model
欲描述这些客户群的特征，我们可以通过关联规则或决策树来观察，增加一个type节点，把关于客户资料的一些变量设置为in，beer_beans_pizza设置为out，其他的为none，通过C5.0节点，运行得到结果，可以看出，属于这类群的客户特征:
收入低于16900的女性
图3.1.7
4.Modelassessment
通过节点analysis来评价模型，可以使用另一个数据集来进行验证模型，这里继续使用原数据来看模型的效果。
在analysis节点中选择coincidencematices
图3.1.8
最后得到的效果如下：
Correct96796.7%
Wrong333.3%
Total1000
二、客户流失
下面的试验是对客户流失预警的模拟，数据资料来源于05年1月份以前，我们要做的是在试验当月（12月份）根据客户11月份及以前的数据，预测用户1月份的流失状态。
按如下规则抽样：
选取在网时长大于90天，11月份mou值大于零，且倒数第二位号码为0的客户10000人。
用户流失状态按如下定义：
1月份mou值为零则定义为流失，赋值输出变量为0，否则为不流失，赋值输出变量为1。
1.用节点SQL读取数据并编辑字段属性
我们选用SQL节点从oracle中读取数据。
如图1在SQL节点编辑中首先需要建立数据源和clementine的连接，在datasource下选择addnew就会弹出图3.2.1窗口，选择我们需要的数据源即可。
图3.1.1
图3.2.2
图3.2.2中的datasources都是已在ODBC中建立好的连接。
然后在tablename中选择数据表，如图3.2.3：
图3.2.3
接着在type标签里设置字段的类型和在模型中的角色（输入或输出），如图3.2.4：
图3.2.4
其中我们设置最后一个变量为flag（二值型），并当作目标输出。
2.选择抽样数据集
如图3.2.5所示在添加的sample节点中设置随机抽取50的样本，
图3.2.5
3.平衡数据集
由于流失与否的客户在样本中所占比例相差很大（约3:
7），这对许多训练模型来说会有错误的诱导趋势，使训练结果向比例大的一方转变，而忽视对比例小的一方的学习，比如神经网络等，这里我们用balance节点对数据集进行平衡处理，如图3.2.6：
图3.2.6
图6中表示的是目标变量为0的用户数增为原来的3倍，多于的部分复制原有客户即可；目标变量为1的客户取原来的0.6*100%，这样样本中目标为0和1的客户数量就基本持平了。
4.选择模型并训练
这里我们选择两个模型，神经网络（NN节点）和决策树（C5.0节点），分别设置它们的目标变量和输入变量（由于前面都已经设置好了，所以此处用默认值也可以），如图3.2.7：
左侧为C5.0，右侧为NN，他们选择输入和目标的方法相似，只是在NN设置时选择50%的样本为测试集，如右侧图中preventovertraining一栏。
图3.2.7
5.执行流并得到输出模型
到目前为止，我们的整个的处理过程已如下图所示：
图3.2.8
执行此流我们能得到如下图示的两个模型：
图3.2.9
6.评价所得模型
首先，把在第5步得到的模型（Models）加入到流中，直接从Model面板将其拖入流程区即可。
如图3.2.10所示连接，在串联了两个Model后，再增加一个Analysis节点，对模型进行评估。
Analysis节点只能判断模型总的准确率，而我们更关心的是模型对1和0分别进行预测的正确率，所以在两个Model下各自加入一个Matrix节点，他们的设置如图3.2.11，其中$N-SYH2NISOMOUZ和$C-SYH2NISOMOUZ分别是两个模型预测的结果，右面的Appearance标签中选中行列百分比。
图3.2.10
升级会员 