Clemintine中神经网络挖掘应用实验指导书

【实验目的】1、认识神经网络的根本组成以及它们的属性和功能。以及过滤3、认识神经网络的根本流程。4、经过案例把握神经网络操作技术。【实验内容】（一）、读入数据（二）、计算促销前后销售额的变化率（三）、为数据设置字段格式（四）、神经网络学习经过1、将模型结果结点连接到数据流2、添加字段比较猜测值与实际值3、评价模型模型猜测1、猜测模型建立2、输出规范化3、选择促销方案【实验步骤】goodlearn.strClementine提供了多种猜测模型，包括Nerual Net、RegressionLogistic价该模型的优良以及对新的促销方案进行评估。（一）读入数据GOODS1n，Var.File（二）计算促销前后销售额的变化率DeriveIncrease。在公式栏中输入(AfterBefore)/Before*100.0以此来计算促销前后销售额的变化。（三）为数据设置字段格式添加一个Type结点到数据流中。由于在制定促销方案前我们并不知道促销AfterDirectionNone；神经网络IncreaseDirectionOut，除此之外的其它结点全设置为In。（四）神经网络学习经过在设置好各个字段的Direction方向后我们将NeuralNet结点连接入数据流。NeuralNet进行设置时我们选择快速建模方式（Quick），选中Preventovertraining件。在建立好神经网络学习模型后我们运行这条数据流，结果将在管理器的Models属性有所认识。（五）为训练网络建立评估模型将Increase结果结点连接在数据流中的Type结点后；添加字段比较猜测值与实际值向数据流中增加Derive结点并将它命名为ratio，然后将它连接到Increase(abs(Increase'$N-Increase')/Increase)*100，$N-Increase结果。经过该字段值的显示我们能够看出猜测值与实际值之间的差异大小。评价模型观察猜测值与实际值之间的差异来评价模型的优劣。从 Graph 栏中选择histogram结点连接到ratio结点。ratio（fieldratio），输出结果如下图所示：ratioratio落在相对应的横ratio的定义公式我们知道ratio越小表明猜测值与实际值的差别越ratio能够看出该模型达到了一定的精度。模型猜测1．猜测模型建立该模型的建立就是为了猜测新样本。我们现将数据源的文件改为GOODS2n；alt键双击Increase结点以此来绕过该结点；断开Increase结果结RatioTableIncreaseType结点中我们只设置字段afterDirection属性为None，其余In。经过这种方式建立好的数据流如下图所示：Table$N-Increase输出规范化$N-Increase栏表示促销后销售额可能增减的比率。由于神经网络的最后输出需要规范到[0,1]区间，所以我们选择输出值在(0,1)S规范化。S型函数表达式为 f (x) 1 增加Derive结点将结果其规范化。1 e x选择促销方案依据神经网络模型的猜测输出，我们能够选出GOODS2n文件中包含的可执行1ClementineSelect它能够从数据集中筛选出满足预定条件的记录。RecordOPsSelectFormatformat＝1.000的结点，整个流程图由下所示：假若我们只需要得到这些方案的某些字段，而不想知道它的全部细节，则能够SelectTableFilterP.