I detta andra exemplet tex (från Adventure Works) i en decision tree, så väljer vi många fler inputs (den datan vi vill baseras vår algoritm på)
Mata in vilken data typ dina fält är så att algoritmen kan hantera det rätt.
Du kan välja att den ska “detect” detta själv. Får du senare ett felmeddelande kan det bero på att du inte valt korrekt dataformat och behöver gå tillbaks
Justera vilken storlek du vill ha på ditt tränings-set. Alltså den andel av datan som du ger algoritmen att träna på. Vanligt är ca 30%.
Du kan sedan validera hur bra din mining modell’s algoritm kan estimera nytt content med ny data i din “mining accuracy chart”
Under Mining “Accurary chart” kan du se hur bra mining modellen är på att predicta när den får in ny data.
Under “Mining model prediction” kan du själv ge modellen ny data och se hur den estimerar.
Om du istället trycker på “Mining Models” kan du välja att köra en annan algoritm på samma data med samma inputs genom att trycka på “hammar-ikonen” uppe till vänster. Eller processa om en / flera av dina modeller med “proccess-cymbolen (pilarna i en cirkel)
Om du högerklickar på din algoritm (tex Decision tree som nedan) så kan du även välja att ändra algoritm-parametrarna.
Du kan nu utforska din mining modell och vad den kommit fram till kring din data.
I detta fallet har en Time Series körts och du kan då välja bland “charts” och “model” att se.
Olika algoritmer låter dig se olika flikar under just “Mining Model Viewer”.
Beroende på vilken algoritm du valt kan du även välja att utforska dina resultat under “Mining Model viewer”.
har du kört flera olika algoritmer i samma “Mining Structure” kan du växla mellan dem i drop-downen “Mining Model”
Varje Algoritm låter dig också välja att justera ditt resultat beroende på om du valt text Time Series som låter dig välja hur många steg framåt du vill predicta.
I Decision tree kan du se hu algoritmen har gruppera ihop tillhörigheten på dina object (rows/personer/element).
Till vänster ser du alla objekt i hela test-setet och för varje gren/grupp åt höger så blir det mer och mer specifik tillhörighet för datan.
Du kan även se sannolikheten för huruvida personer i den grenen har köp en cykel eller inte i färgerna i stapeln blått och rött för varje “nod” i träders grenar.
I valet “tree” där du nu ser “bike buyer” kan du väljen vilken parameter du vill köra din prediktion på. Tex hur många som sannolikt köpt en cykel eller inte.
Under “Dependency network” i Decision tree kan du även se hur starkt bidragande olika parametrar är för att tex påverka ett bike-köp.
I slidern till vänster kan du justera känsligheten i kopplingarna. Drar du den längst ner så ser du de kopplingar som är starkast kopplade till Bike byer och drar du den längre uppåt så ser du parameterar som är mindre och mindre kopplande till huruvida någon skulle köpa en cykel.
Want to print your doc? This is not the way.
Try clicking the ⋯ next to your doc name or using a keyboard shortcut (