全文鏈接：http://tecdat.cn/?p=32118

假如你有一個購物類的網(wǎng)站，那么你如何給你的客戶來推薦產(chǎn)品呢？（點擊文末“閱讀原文”獲取完整文檔、數(shù)據(jù)）

相關(guān)視頻

這個功能在很多電商類網(wǎng)站都有，那么，通過SQL Server Analysis Services的數(shù)據(jù)挖掘功能，你也可以輕松的來構(gòu)建類似的功能。

將分為三個部分來演示如何實現(xiàn)這個功能。

此篇文章演示了如何幫助客戶使用SQL Server Analysis Services基于此問題來構(gòu)建簡單的挖掘模型。

步驟

準(zhǔn)備工作：數(shù)據(jù).xls 數(shù)據(jù)導(dǎo)入數(shù)據(jù)庫中。

在相應(yīng)數(shù)據(jù)庫中找到對應(yīng)的數(shù)據(jù)

（1）?打開visual?studio，新建項目，選擇商業(yè)智能項目，analysis?services項目

將data-mining數(shù)據(jù)庫中的數(shù)據(jù)導(dǎo)入數(shù)據(jù)源

在可用對象中，將要分析數(shù)據(jù)所在表添加到包含的對象中，繼續(xù)下一步。

在解決方案資源管理器中，右鍵單擊挖掘結(jié)構(gòu)，選擇新建挖掘結(jié)構(gòu)。

選擇microsoft?決策樹，繼續(xù)下一步

設(shè)置測試集和訓(xùn)練集

勾選允許鉆取，完成。

然后對模型進行部署，繼而進行挖掘（點擊運行）

決策樹模型

以下我們對電商購物網(wǎng)站的用戶的信譽等級進行預(yù)測，使用其他用戶的特征屬性對其進行預(yù)測分類。建立如下的決策樹模型。

從決策樹模型的結(jié)果來看，

樹一共有5個分支。其中重要節(jié)點分別為購物積分、家里人口數(shù)、居住面積、居住面積等。

---

點擊標(biāo)題查閱往期內(nèi)容

PYTHON用戶流失數(shù)據(jù)挖掘：建立邏輯回歸、XGBOOST、隨機森林、決策樹、支持向量機、樸素貝葉斯和KMEANS聚類用戶畫像

左右滑動查看更多

01

02

03

04

從圖中可以看到購物積分越高的用戶，決策樹得到的用戶信譽等級越高。同時家里人口數(shù)越多，則信譽等級也越高。說明購物積分直接影響著信譽等級。一般購物次數(shù)越多則買家的信譽越高。同時家里人口數(shù)越多，則該用戶在網(wǎng)上購物的開支越多。因此會導(dǎo)致網(wǎng)上購物越多，最后導(dǎo)致信譽增加。

然后可以看到依賴網(wǎng)絡(luò)。依賴網(wǎng)絡(luò)圖是指預(yù)測變量和其他變量直接的依賴性。從圖中可以看到在用戶屬性中，幾個屬性會影響信用等級，包括購物積分、次數(shù)、居住面積以及人口數(shù)量。

聚類

從聚類結(jié)果可以看到，聚類將所有用戶分成了10個信用級別。

從不同類別的依賴圖可以看到，類別10、4、8、5之間具有較強的相關(guān)關(guān)系。說明這幾個類別中的信用級別是類似的。下面可以具體看下每個類別中的各個屬性的分布的比例。

從上圖可以看到不同類別的購物積分是不同的。

總的來看，相對來說，第4和7類別的購物積分最小的，其他幾個類別中積分較高，因此可以認(rèn)為這些類別中的用戶的信用級別較高。同時可以看到這些類別的其他信息，這類用戶的月收入較低，購物次數(shù)也較小。同時可以看到，這類用戶大多的交易成功也較少。另一方面，可以看到低購物積分用戶中 ，家庭人口數(shù)也較小。

從每個類別的傾向程度來看，購物總次數(shù)多的用戶交易成功次數(shù)也高。從另一方面來看，月收入較高的用戶，傾向于是非分類1的用戶，也就是它們的信用等級較好。同時可以看到，戶交易成功次數(shù)多喝購物積分高的用戶傾向于非分類1的用戶。說明用戶的信用等級相對較高。另一方面，可以看到擁有房屋的用戶的交易成功次數(shù) 電商網(wǎng)站購物次數(shù)反而低于沒有房屋的用戶，可能是因為沒有房屋的用戶年齡段較低，因此更傾向于網(wǎng)絡(luò)購物。

然后建立關(guān)聯(lián)規(guī)則挖掘模型

運行關(guān)聯(lián)規(guī)則，得到以下重要的關(guān)聯(lián)規(guī)則

關(guān)聯(lián)規(guī)則就是發(fā)現(xiàn)數(shù)據(jù)集中相互有關(guān)聯(lián)的項目。它已經(jīng)成為數(shù)據(jù)挖掘領(lǐng)域中具有重要影響的一種算法。也是數(shù)據(jù)挖掘領(lǐng)域的一個重要分支。最近幾年已經(jīng)被廣泛的應(yīng)用。在電子商務(wù)領(lǐng)域，關(guān)聯(lián)規(guī)則技術(shù)主要用于物品鏈接頁面等的推薦，它只需要購物記錄的數(shù)據(jù)即可，而不需要過多的商品信息，通過關(guān)聯(lián)規(guī)則可以發(fā)現(xiàn)用戶的一些常見的購物模式和購物規(guī)律。找出用戶通常會一起購買的商品。從而對用戶進行推薦和挖掘。

本文中分析的數(shù)據(jù)和完整文檔分享到會員群，掃描下面二維碼即可加群！

點擊文末“閱讀原文”

獲取全文完整數(shù)據(jù)資料。

本文選自《SQL SERVER ANALYSIS SERVICES決策樹、聚類、關(guān)聯(lián)規(guī)則挖掘分析電商購物網(wǎng)站的用戶行為數(shù)據(jù)》。

點擊標(biāo)題查閱往期內(nèi)容

Python對商店數(shù)據(jù)進行l(wèi)stm和xgboost銷售量時間序列建模預(yù)測分析

PYTHON集成機器學(xué)習(xí)：用ADABOOST、決策樹、邏輯回歸集成模型分類和回歸和網(wǎng)格搜索超參數(shù)優(yōu)化

R語言集成模型：提升樹boosting、隨機森林、約束最小二乘法加權(quán)平均模型融合分析時間序列數(shù)據(jù)

Python對商店數(shù)據(jù)進行l(wèi)stm和xgboost銷售量時間序列建模預(yù)測分析

R語言用主成分PCA、?邏輯回歸、決策樹、隨機森林分析心臟病數(shù)據(jù)并高維可視化

R語言基于樹的方法：決策樹，隨機森林，Bagging，增強樹

R語言用邏輯回歸、決策樹和隨機森林對信貸數(shù)據(jù)集進行分類預(yù)測

spss modeler用決策樹神經(jīng)網(wǎng)絡(luò)預(yù)測ST的股票

R語言中使用線性模型、回歸決策樹自動組合特征因子水平

R語言中自編基尼系數(shù)的CART回歸決策樹的實現(xiàn)

R語言用rle，svm和rpart決策樹進行時間序列預(yù)測

python在Scikit-learn中用決策樹和隨機森林預(yù)測NBA獲勝者

python中使用scikit-learn和pandas決策樹進行iris鳶尾花數(shù)據(jù)分類建模和交叉驗證

R語言里的非線性模型：多項式回歸、局部樣條、平滑樣條、 廣義相加模型GAM分析

R語言用標(biāo)準(zhǔn)最小二乘OLS，廣義相加模型GAM?，樣條函數(shù)進行邏輯回歸LOGISTIC分類

R語言ISLR工資數(shù)據(jù)進行多項式回歸和樣條回歸分析

R語言中的多項式回歸、局部回歸、核平滑和平滑樣條回歸模型

R語言用泊松Poisson回歸、GAM樣條曲線模型預(yù)測騎自行車者的數(shù)量

R語言分位數(shù)回歸、GAM樣條曲線、指數(shù)平滑和SARIMA對電力負荷時間序列預(yù)測

R語言樣條曲線、決策樹、Adaboost、梯度提升(GBM)算法進行回歸、分類和動態(tài)可視化

如何用R語言在機器學(xué)習(xí)中建立集成模型？

R語言ARMA-EGARCH模型、集成預(yù)測算法對SPX實際波動率進行預(yù)測

在python 深度學(xué)習(xí)Keras中計算神經(jīng)網(wǎng)絡(luò)集成模型

R語言ARIMA集成模型預(yù)測時間序列分析

R語言基于Bagging分類的邏輯回歸(Logistic Regression)、決策樹、森林分析心臟病患者

R語言基于樹的方法：決策樹，隨機森林，Bagging，增強樹

R語言基于Bootstrap的線性回歸預(yù)測置信區(qū)間估計方法

R語言使用bootstrap和增量法計算廣義線性模型（GLM）預(yù)測置信區(qū)間

R語言樣條曲線、決策樹、Adaboost、梯度提升(GBM)算法進行回歸、分類和動態(tài)可視化

Python對商店數(shù)據(jù)進行l(wèi)stm和xgboost銷售量時間序列建模預(yù)測分析

R語言隨機森林RandomForest、邏輯回歸Logisitc預(yù)測心臟病數(shù)據(jù)和可視化分析

R語言用主成分PCA、?邏輯回歸、決策樹、隨機森林分析心臟病數(shù)據(jù)并高維可視化

Matlab建立SVM，KNN和樸素貝葉斯模型分類繪制ROC曲線

matlab使用分位數(shù)隨機森林（QRF）回歸樹檢測異常值

文章來源地址http://www.zghlxwxcb.cn/news/detail-601769.html