RiCo技術農場

4.探索模型

透過BIDS瀏覽模型來尋找值得參考的趨勢，

這裡我們用兩種模型不同角度去瞭解資料。

決策樹模型指出影響自行車購買行為的因素。

群集模型依客戶的自行車購買行為以及您選擇的其他屬性，將客戶予以分組。

 

決策樹模型

滑鼠停留在全部，可以看到案例總數，購買者(1)數目、非購買(0)者數目和遺漏數目。

可以看到年紀的影響程度是最高的。

 

背景設定1，快速查看目標值為購買者(1)的案例數目。

區塊顏色越深，表示案例百分比越高。

 

38>=年紀<45往下查看車輛=0  年紀區間 38~41 購買意願最高。

 

繼續展開往下追蹤

沒有小孩的案例高達94.57%以購買自行車。

有小孩的又以年收入>=74000 的案例高達93.23% 以購買自行車。

 

相依性網路:

顯示對於採礦模型的預測能力有所幫助的變數之間的關聯性。

 

預測自行車購買行為時，年齡和地區是重要的因素。

 

調整 所有連結 軸來識別最具影響力的屬性。

 

群集模型

透過群組模型角度查看購買自行車趨勢

 

群集圖表:群集之間的相似程度

 

陰影變數選擇:Bike Buyer  狀態:1

區塊陰影越深表示該群集以購買自行車買主密度越高。

 

透過所有連結篩選掉較弱的連結，並找出關聯性最近的群集

將最高密度和最低密度群集重新命名(Bike Buyer High and Low )，

並整理一下版面。

 

群集設定檔:檢視每一個群集的變數狀態分布情形。

分隔變數的分佈情形顯示成為著色圖列，其中最大數目的圖列顯示在  長條圖列 清單中。

連續變數是以鑽石圖顯示，代表在每一個群集中的平均與標準差。

 

點擊Bike Buyer High 排序變數

可看出購買自行車買主，小孩大多為 0、年紀平均44.56 正負2.55。

 

群集特性:更詳細地檢查每個組成群集的特性。

檢視Bike Buyer High群集，可以發現結果(機率)和前面的群集設定檔相同。

 

群集辨識:探索區分群集的特性。會計算群集之間的差異，並且顯示最能區分群集的屬性清單。

客戶間某些更重大的差異包括年齡、是否擁有汽車、小孩人數..等。

 

到這裡你應該已經知道如何利用採礦模型檢視器，

查看決策樹模型和群集模型圖示所代表的意義。

接下來我們將繼續測試和評估模型可用性，

以及使用模型來預測那些客戶最有可能購買自行車。