数据挖掘丨RapidMiner 内置案例模板详解（下篇）

创建提升图能够评估识别具有较高流失概率、响应的营销活动或转化为产品用户的群体的能力。

步骤1：

加载包含客户数据和感兴趣的目标变量的数据——这里指的是：客户流失。

步骤2：

将数据分割为训练集和测试集（保留集）。在训练集上训练一个预测模型，并将模型应用于测试集。

步骤3：

创建提升图。

将预测分析嵌入到业务流程中：当条件满足时，自动执行预测结果并触发动作。

步骤1：

从各种来源读取数据（可以是数据库、文件、Hive等...）。

步骤2：

编辑、转换和加载（ETL）- 数据根据需要进行准备和组合。

步骤3：

在其他地方预训练好的模型被读取。

步骤4：

将模型应用于数据，以发现谁是未来的客户，然后计算并监控性能。现在怎么办？如果性能低于阈值，我们必须做出反应！双击操作符以查看更多。

这个分支操作符检查是否满足某个特定条件 - 在这里：如果性能高于/低于某个特定阈值。在构建和监控模型时，适应检查任何条件。

步骤1：

加载数据并准备进行分析。在比较不同性质的属性时，对数据进行标准化是一个典型的步骤。在这种情况下，我们使用Z变换作为方法，以确保典型的偏差相等，这样在问题的各个维度中，异常值都有明确的含义。数据集显示了具有各种化学成分的葡萄酒。

步骤2：

我们对数据应用聚类操作符，以在葡萄酒列表中找到一致的组。然后我们使用LOF（局部异常因子）机制来找到“异常值评分”。

步骤3：

我们通过应用反向标准化模型来对数据进行去标准化，从而获得原始数据。然后我们过滤示例，以获得一个包含异常值的数据集和另一个包含其余数据的数据集，使用“异常值=1.5”作为阈值。

通过使用“1NN”模型，并将其应用于客户位置，计算给定客户位置最近的天线。

步骤1：

获取包含天线位置的数据集。通过选择适当的属性并指明模型的目标：找到CellId，这将是模型的标签，来执行一些简单的ETL操作。

步骤2：

使用数据集训练一个k-最近邻（k-NN）模型（k=1）。它将帮助我们找到最近的天线。

步骤3：

获取客户的相关数据。该过程的目标是为每个客户找到最近的天线。

步骤4：

应用1-最近邻（1-NN）模型来为每个客户的地理位置找到最近的天线（CellId）。

使用用户评论数据上训练的分类模型来检测文本中的情感。

步骤1：导入带有相关情感评估的文本数据。它被处理以提取单词，并生成词向量（文本的数值表示）。

步骤2：训练一个支持向量机（SVM）模型，并对其进行验证以收集性能数据。

步骤3：从文本创建一个新文档（添加你自己的文本并尝试），然后像处理初始文档一样处理它。初始单词列表是额外的输入。

步骤4：用旧文本训练的模型应用于新文档。

步骤1：

从患者那里获取医疗数据，以及有关潜在欺诈行为的过去信息。为了将这些数据输入GBT算法，数据被转换为数字。

步骤2：

我们有很多属性，但有些属性是相关的（例如，总额与部分计数相比）。我们自动移除相关性高于95%的属性。

步骤3：

使用GBT算法推断欺诈行为。对模型进行验证以检查性能并避免统计偏差。在验证的训练部分，平衡数据以帮助模型检测不寻常的欺诈案例。

通过应用广义线性模型，根据用户在网站上的页面访问情况，将用户评分为高价值/低价值。

步骤1：

我们检索网页数据，设置我们想要预测的属性（高价值/低价值），最后我们移除那些高度相关的属性，因此，它们不提供额外的信息。

步骤2：

复 制数据并以两种方式进行分析。

步骤3：

使用H2O的广义线性模型来训练模型并验证预测。数据事先进行了平衡，以帮助模型检测较少出现的“高价值”案例。

步骤4：

计算相关性权重，以检测最相关的属性。