8879

говая точка приносит наибольшую суму продаж? Постройте кросс-диаграмму сумм продаж: общие продажи, продажи по торговым точкам, продажи по то-

варным группам.

2.То же, что в п.1, но за последние три месяца от имеющихся данных.

3.То же, что в п.1, но за последние три недели от имеющихся данных.

4.Найти сумму максимальной и средней стоимости покупки за последний месяц от имеющихся данных.

5.Сформировать многомерный отчет и график загруженности торговых точек по времени суток и торговым точкам. На какие часы приходятся пики продаж?

6.То же, что в п.5, но за последние три месяца от имеющихся данных.

7.Сформировать многомерный отчет и график загруженности торговых точек по дням недели.

8.То же, что в п.7, но за последний месяц от имеющихся данных.

9.Сформировать многомерный отчет и график загруженности торговых точек по дням месяца.

10.То же, что в п.9, но за последние три месяца от имеющихся данных.

11.20 самых продаваемых товаров.

12.То же, что в п.11, но за последние три недели от имеющихся данных.

13.10 самых продаваемых товаров по воскресеньям.

14.5 самых популярных товаров в каждой товарной группе.

15.То же, что в п.14, но за последнюю неделю от имеющихся данных.

16.Товары, дающие 50% объема продаж.

17.То же, что в п.16, но за последние три месяца от имеющихся данных.

18.То же, что в п.16, но за последнюю неделю.

19.10 самых продаваемых товаров с 18 до 21 часа.

20.10 товаров, пользующихся наименьшим спросом осенью.

21.Товары, дающие 50% объема продаж в летние месяцы.

101

Раздел 3.

Задание 1. Классификация на основе Дерева решений

Разделить все районы Нижегородского региона на различные классы по уровню дохода бюджета при помощи инструментов Квантование и Дерево решений

(данные взять из файла показатели.txt или из созданного ранее ХД Регион).

Для этого:

а) Нужно найти средние значения показателей по каждому району за весь исследуемый период;

б) Значения поля «доход бюджета» при помощи обработчика «Квантование» нужно разбить на три диапазона «низкий доход», «средний доход», «высокий доход».

в) С помощью обработчика «Дерево решений» получить правила, применяя которые можно определить к какому их трех возможных уровней дохода будет относиться произвольный район.

г) Оценить качество построенной классификационной модели по таблице сопряженности и соответствующей ей диаграмме.

Задание 2. Классификация на основе Дерева решений

1) Построить классифицирующее Дерево решений (рис. 4.36) для отнесения водных объектов на основе рассчитанного ранее в практической работе 3 показателя ИЗВ (индекс загрязнения воды) к определенному классу вод, используя критерии,

описанные в таблице.

Таблица. Классы качества вод в зависимости от значения ИЗВ

2) Результаты классификации отобразить на диаграмме «Процентное соотно-

шение качества вод региона» (рис. 63). Ответить на вопрос: какой процент водных объектов Нижегородской области относится к классу Загрязненных вод.

102

Рис. 63. Дерево решений

Рис. 64. Диаграмма «Процентное соотношение качества вод региона»

Задание 3. Построение модели отклика получателей рассылки на актив-

ных и неактивных при помощи алгоритма построения дерева решений.

Торговая компания, осуществляющая продажу товаров, располагает информа-

цией о своих клиентах и их покупках. Компания провела рекламную рассылку 13 504 клиентам и получила отклик в 14,5 % случаев. Необходимо построить модели отклика и проанализировать результаты, чтобы предложить способы минимизации издержек на новые почтовые рассылки.

Данные находятся в файлах responses1.txt (обучающее множество) и responses2.txt (тестовое множество). Они представлены таблицами со следующими полями:

Таблица 1 – Поля наборов данных «Отклики»

103

1. Построить и изучить Матрицу корреляции для оценки влияния входных перемен-

ных на выходную.

2.Для получения правил классификации запустить обработчик Дерево решений.

3.Изучите визуализаторы «Дерево решения», «Правила», «Значимость атрибутов», «Матрица классификации».

4.Изменяя порог отсечения построить новые модели, выбрать модель, лучшую с точки зрения точности и интерпретации. Выписать наиболее значимые правила. 5.Построить дерево решений на сбалансированном обучающем множестве и по-

смотреть те же визуализаторы и сделать вывод о качестве моделей.

6. Построить интерактивное дерево решений на сбалансированной выборке, приняв во внимание пожелания экспертов:

Первым атрибутом должен быть «Сколько лет клиент».

Вторым атрибутом – «Доход с клиента». Всех клиентов нужно разбить на 3

категории: малоприбыльные (до 20 тыс. ед.), дающие умеренный (от 20 тыс.

до 50 тыс. ед.) и высокий доход (свыше 50 тыс.ед.).

7. Изучить визуализаторы для интерактивного дерева. Выписать наиболее значи-

мые и интересные правила.

8. Прогнать через лучшую модель тестовое множество и сделать выводы о каче-

стве классификации.

9. Проведенное исследование оформить в виде отчета.

104

Раздел 4.

Задание 1.

Дана небольшая база:

1)Приняв пороговое значение поддержки, равное 35%, найдите популярные трех-предметные наборы.

2)Для данных таблицы 1 нужно рассчитать показатели: Поддержка (S), Досто-

верность (С), Лифт (L), Леверидж (Рычаг) (T), Улучшение (I) для наборов: а)

салат -> помидоры; б) конфеты -> помидоры.

Задание 2.

Для транзакций (см. таблицу) найти ассоциативные правила, используя метод apriori (Порог=4). Выявить значимые правила (Поддержка ≥ 20%, достоверность ≥

80%)

Задание 3.

1)Для данных таблицы рассчитать показатели: Поддержка (S), Достоверность (С),

Лифт (L), Леверидж (Рычаг) (T), Улучшение (I) для всех наборов. Количество набо-

ров можно рассчитать по формуле:

105

2)Перечислить правила, у которых поддержка ≥ 20%, достоверность ≥ 80%

3)Найти ассоциативные правила, используя метод a-priori (Порог=4). Выявить значи-

мые правила (Поддержка ≥ 20%, достоверность ≥ 80%)

4)Построить FP - дерево

Задание 4.

1.Загрузить данные transactions.txt

2.Настройки параметров построения ассоциативных правил:

Поддержка: 1%< S<20%

Достоверность: 40%< S<90%

Записать:

Количество популярных наборов =

Количество популярных наборов, удовлетворяющих поддержке >6% =

Количество правил =

Товары – лидеры продаж, (имеющие поддержку в нашей задаче)>10%:

Указание: используйте фильтр в визуализаторе «Популярные наборы».

Тривиальные правила (включающие лидеры продаж):

Тривиальные правила (экспертное мнение):

Полезные правила:

106

Непонятные правила:

3.Изменить настройки параметров построения ассоциативных правил Поддержка: 1%< S<100%

Допустимая достоверность: 40%< S<90%

Записать:

Количество популярных наборов =

Количество правил =

Тривиальные правила (включающие лидеры продаж):

Тривиальные правила (экспертное мнение):

Полезные правила:

Непонятные правила:

Для Полезных правил найти и проанализировать показатели значимости: S, C, L, T, I

4.Изменить настройки параметров построения ассоциативных правил Поддержка: 1%< S<25%

Допустимая достоверность: 40%< S<90%

Записать:

Количество популярных наборов =

Количество правил =

Тривиальные правила (включающие лидеры продаж):

Тривиальные правила (экспертное мнение):

Полезные правила:

Непонятные правила:

Для Полезных правил найти и проанализировать показатели значимости: S, C, L, T, I

5.Изменить настройки параметров построения ассоциативных правил Поддержка: 1%< S<25%

Допустимая достоверность: 25%< S<40%

Записать:

107

Количество популярных наборов =

Количество правил =

Тривиальные правила (включающие лидеры продаж):

Тривиальные правила (экспертное мнение):

Полезные правила:

Непонятные правила:

Для Полезных правил найти и проанализировать показатели значимости: S, C, L, T, I

6.Изменить настройки параметров построения ассоциативных правил Поддержка: 1%< S<25%

Допустимая достоверность: 1%< S<30%

Записать:

Количество популярных наборов =

Количество правил =

Тривиальные правила (включающие лидеры продаж):

Тривиальные правила (экспертное мнение):

Полезные правила:

Непонятные правила:

Для Полезных правил найти и проанализировать показатели значимости: S, C, L, T, I

7.Сделать вывод, оформить отчет:

Какие полезные правила выявлены:

Какое максимальное значение лифта было зафиксировано? Какое прави-

ло имеет максимальный лифт?

Заказчика, в частности, интересует, какие товары покупают к поздрави-

тельной открытке. Сколько таких товаров? Какая из ассоциаций здесь представляет наибольший интерес (имеет максимальный лифт)

как полезные правила применять на практике.

108

Задание 5. Ответить на вопросы теста.

1.[……...............................] – это некоторое множество событий, происходящих совместно

2.Задача ассоциации впервые возникла

□в торговле при анализе рыночной корзины

□при анализе веб-логов

□при исследовании действия побочных эффектов лекарств

3.Предметный набор {карандаш, ручка, блокнот} является

□ 1-предметным □ 2-предметным □ 3-предметным □ k-предметным

4.Отметьте верные суждения: □ лифт ассоциативного правила показывает, какой процент транзакций поддерживает данное правило

□достоверность позволяет оценить полезность правила

□правило со значением показателя улучшения большим 1 говорит о том, что правило полезнее случайного угадывания

□лифт ассоциативного правила A>B равен лифту правила B>A

□S(не A)=1–S(A), где S – поддержка набора A

5.Из общего количества 1000 покупок в магазине было приобретено 300 мобильных телефонов, а 100 человек, из купивших телефон, приобрели и чехол к нему. Поддержка правила Телефон >

Чехол равна

6.Часто встречающееся множество или популярный предметный набор это:

□ предметный наборы с поддержкой, больше либо равной заданного порога; □ предметный набор с поддержкой, меньше либо равной заданного порога; □ предметный набор с достоверно-

8.Один из первых популярных алгоритмов генерации ассоциативных правил это:

9.В ассоциативном правиле A B вероятность того, что из наличия в транзакции товара A следует наличие в ней товара B показывает значение

11.Дана небольшая база:

Приняв пороговое значение поддержки, равное 30%, найдите все популярные наборы (начиная с двух-предметных) и выберите правильный вариант из списка:

□АВ,AF,AD,CD,CG,CF,ABD,DFG

□AB,AC,AD,BD,CD,CF,ABC,ABD

□AB,AC,AD,CD,CG,DF,CDG,ABC

□AB,AC,AD,CD,CG,DF,DG,ACD

□AB,AC,AD,CD,CG,DF,DG,ACD, CDG

□Свое решение:

109

Раздел 5.

Задание 1.

Построить нейронную сеть, позволяющую аппроксимировать заданную много-

мерную нелинейную функцию:

Подготовить обучающую выборку средствами приложения Microsoft Excel и

оформить ее в виде текстового файла с разделителями.

Рекомендации: Чтобы создать набор случайных чисел, нужно использовать функцию Excel СЛЧИС(). Затем случайные числа следует перевести в нужный диа-

пазон и рассчитать значение заданной функции в соседнем столбце.

Провести обучение нескольких нейронных сетей (с различной архитектурой) с

помощью Deductor по алгоритму обратного распространения;

Проверить качество каждой обученной сети с помощью диаграммы рассеяния.

Выбрать наилучшую модель и оценить точность аппроксимации.

Общее задание: f x1 x2 (использовать готовый файл multi.txt)

Индивидуальные задания:

4.f x1 x2 x3 x4 x52

6.f 5x1 Cos(x2 x3 ) Sin(x4 x25 )

7.f 3Cos(x1 x2 ) 2Sin(x3 ) ln x4 10x52

110