向客户报价（自主学习）

示例项目包含多个数据集和示例建模器流程。 若您尚未拥有示例项目，请参阅教程主题以创建示例项目。 然后按照以下步骤打开示例项目：

1. 在 导航菜单 中，选择 watsonx项目 > 所有项目。
2. 点击 SPSS Modeler 项目。
3. 点击 “资产 ”选项卡，查看数据集和建模器流程。

检查你的进度

下图展示了项目的“资源”选项卡。 您现在已准备好使用与本教程相关的示例建模器流程。

返回顶部

向客户报价——自学习建模器流程包含多个节点。 请按照以下步骤检查数据资产和填充节点：

1. 在 “资产 ”选项卡中，打开 “向客户报价 - 自学习 ”建模器流程，并等待画布加载完成。
2. 双击节点 pm_customer_train1.csv。 此节点是一个数据资产节点，指向项目中的文件 pm_customer_train1.csv。
3. 检查文件格式属性。
4. 可选：点击预览数据以查看完整数据集。
5. 双击填充器节点。
   填充节点用于替换字段值并改变存储方式。 您可以选择基于指定的 CLEM 条件（如 @BLANK(FIELD)）替换值。 或者，也可以选择将所有空白值或空值替换为特定值。 填充节点常与类型节点配合使用，用于替换缺失值。
   在 “填充字段 ”部分，您可以指定数据集中需要检查和替换值的字段。 在此情况下，该列 campaign 需在 “替换” 部分中与 “始终 ”选项一同指定。
6. 点击取消。

检查你的进度

下图展示了填充节点。 您现在可以检查类型和重新分类节点了。

返回顶部

请按照以下步骤检查 “类型 ”和 “重新分类”节点：

1. 双击 “类型 ”节点以查看其属性。
   通过类型节点，您可以指定所用字段的类型及其在预测结果中的应用方式。 请注意， responsecampaign 和字段的角色均设置为目标。 指定的目标是您希望作为预测基础的字段。 该字 response 段的 "Measure "属性已设置为" Flag"。
2. 点击读取数值。

   

3. 点击保存。

   由于竞销活动字段数据显示为数字列表（1、2、3 和 4），因此您可以对字段进行重新分类以具有更有意义的标题。

4. 双击“重新分类 ”节点以查看其属性。
5. 在 “重新分类为” 部分，选择 “现有字段 ”。
6. 接下来，在 “重新分类字段 ”部分，选择 “活动 ”。
7. 单击获取值。 活动价值被添加到该 ORIGINAL VALUE 列中。
8. 请注意， 在“值 ”部分的 NEW VALUE 列中，共有四行：
   • Mortgage
   • Car loan
   • Savings
   • Pension
9. 点击保存。

检查你的进度

下图展示了重新分类节点。 您现在可以开始探索SLRM 节点了。

返回顶部

请按照以下步骤探索 SLRM 节点：

1. 双击活动（SLRM） 节点以查看其属性。
2. 在目标字段中 campaign 选择 ，在目标响应字段中 response 选择。
3. 在模型选项中，将每条记录的最大预测次数减少至2。 这意味着对于每位客户，系统会识别出两个接受概率最高的报价。
4. 请确保已选中 “考虑模型可靠性 ”。
5. 点击保存。

检查你的进度

下图展示了流程。 您现在可以生成模型了。

返回顶部

请按照以下步骤生成模型：

1. 将鼠标悬停在活动（SLRM） 节点上，然后点击运行图标 。
2. 在 “输出和模型 ”窗格中，单击活动模型以查看结果。

   初始视图显示了每个报价的预测的估计准确性。 您还可以单击预测变量重要性以查看每个预测变量在估计模型时的相对重要性，或者单击与响应关联以显示每个预测变量与目标变量的相关性。

   

3. 要切换显示四项预测对应的报价，请使用 “视图 ”菜单。
4. 返回到该流程。

检查你的进度

下图展示了流程。 现在您可以开始尝试其他数据资产节点了。

返回顶部

请按照以下步骤尝试其他数据资产节点：

1. 将 pm_customer_train1.csv 节点从填充节点断开连接。
2. 将 pm_customer_train2.csv 节点连接到填充节点。
3. 双击活动（SLRM） 节点，在构建选项下确保已选中 “继续训练现有模型 ”。
4. 点击保存。
5. 运行该流程以重新生成模型块。 将鼠标悬停在活动（SLRM） 节点上，然后点击运行图标 。
6. 在 “输出和模型 ”窗格中，单击活动模型以查看结果。 模型现在将显示修改后的每个报价预测准确性的估计。

   

7. 将 pm_customer_train2.csv 节点从填充节点断开连接。
8. 将 pm_customer_train3.csv 节点连接到填充节点。
9. 运行该流程以重新生成模型块。 将鼠标悬停在活动（SLRM） 节点上，然后点击运行图标 。
10. 在 “输出和模型 ”窗格中，单击活动模型以查看结果。

    

    模型现在将显示对于每个报价的预测准确性的最终估计。 如您所见，当您添加了其他数据源时，平均准确性略有下降。 然而，这种波动幅度微乎其微，可能源于现有数据中的轻微异常。

11. 将鼠标悬停在 “Table ”节点上，然后点击 “运行 ”图标 。
12. 在 “输出和模型 ”窗格中，单击 “表格模型”以查看结果。

    

表格中的预测显示了根据每位客户的具体情况，他们最可能接受的优惠以及接受该优惠的置信度。 例如，在第一行中，仅有一个 13.2 %的置信度评分（由列 $SC-campaign-1 中的 0.132 数值表示），表明曾申请过汽车贷款的客户在获得养老金时会接受该养老金。 然而，第二行和第三行显示另外两位同样申请了汽车贷款的客户；在他们的案例中，有 95.7 %的置信度表明，若获得储蓄账户开立机会，他们及具有相似信用记录的客户将选择开户，且有超过80%的置信度表明他们会接受养老金计划。

关于 SPSS Modeler 在 SPSS Modeler 中使用的建模方法的数学基础说明，详见算法指南。

这些结果仅基于训练数据。 为评估模型在现实世界中对其他数据的泛化能力，需使用分区节点保留部分记录用于测试和验证。

检查你的进度

下图展示了流程。

返回顶部