预测零售促销活动

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

零售促销包含多个节点。 请按照以下步骤检查数据资产、 衍生和类型节点：

“数据资产”节点

1. 在 “资产 ”选项卡中，打开零售促销建模器流程，并等待画布加载完成。
2. 双击节点 goods1n.csv。 此节点是一个数据资产节点，指向项目中的文件 goods1n.csv。
3. 检查文件格式属性。
4. 点击 “预览数据 ”查看完整数据集。
5. 请注意，每条记录包含：
   • Class产品类型。
   • Cost单价。
   • Promotion特定促销活动的支出指数。
   • Before促销前的收入。
   • After促销后的收入。

   两个收入领域（Before 和 After）以绝对值表示。 然而，促销活动后（且很可能是促销活动带来的）收入增长，似乎可能是一个更有价值的数据。

6. 关闭数据预览和属性侧边栏。

“派生”节点

1. 双击 “增加（推导） ”节点。 该节点推导出收入增长的数值。
2. 请检查设置，特别是 “表达式 ”字段；该字段包含一个公式，用于计算促销前收入的百分比增幅： (After - Before) / Before * 100.0。
3. 点击 “预览数据 ”可查看包含衍生值的数据集。
4. 请注意“增长 ”列。

   对于每个类别的产品，收入增长与促销成本之间几乎存在线性关系。 因此，决策树或神经网络似乎可以合理和准确地预测其他可用字段上的收入增长量。

5. 关闭数据预览和属性侧边栏。

“类型”节点

1. 双击 “定义类型（类型） ”节点。 该节点指定字段属性，例如测量级别（字段包含的数据类型），以及每个字段在建模中作为目标或输入的角色。 测量级别是用于指示字段中数据的类型的类别。 源数据文件使用了三种不同的测量级别：
   • 连续字段（例如 字段 Age ）包含连续的数值。
   • 名义字段（如 字段 Education ）具有两个或多个不同的值——在此情况下为 College 或 High school。
   • 序数字段（例如 Income level 字段）描述具有多个不同值且具有内在顺序的数据——在此情况下为 MediumLow、和 High。

     对于每个字段， 类型节点还会指定一个角色，以表明该字段在建模过程中所扮演的角色。 该字段的引用对象设置为目标字段 Increase，该字段是通过派生获得的。 该字 target 段是您想要预测其值的字段。

     对于其他大多数字段 ，角色被设置为输入。 输入字段有时也被称为 predictors输入变量，其值会被建模算法用于预测目标字段的值。

     该字 After 段的作用被设置为 “无 ”，因此建模算法不会使用此字段。

2. 可选：点击 “预览数据 ”可查看包含衍生值的数据集。

检查你的进度

下图展示了类型节点。 您现在可以生成并比较这些模型了。

返回顶部

该流程训练了神经网络和决策树，以作出此收入增长预测。 请按照以下步骤生成两个模型：

生成模型

1. 双击 “增加（神经网络） ”节点以查看其属性。
   1. 展开 “基础 ”部分即可看到， 多层感知器是模型类型。 该属性决定了网络如何通过隐藏层将预测器与目标连接起来。 多层感知器能够处理更复杂的关系，但可能需要付出增加训练和评分时间的代价。
   2. 展开 “模型选项 ”部分以查看评估和评分属性。
2. 双击 “增加（C&R树） ”节点以查看其属性。
3. 点击 “运行全部 ”，等待模型核心生成。

检查你的进度

下图显示了分析节点的输出结果。

返回顶部