当前位置：文档之家 › 决策树实验报告

决策树实验报告

  • 格式：doc
  • 大小：1.71 MB
  • 文档页数：17

1

LIAOCHENG UNIVERSITY

计算机学院实验报告

【20 15 ～20 16 学年第 1 学期】

【一、基本信息】

【实验课程】 商务智能

【设课形式】 独立□ 非独立 【课程学分】 4

【实验项目】 实验三 数据挖掘

【项目类型】 基础□ 综合□ 设计 研究创新□ 其它[ ] 【项目学时】

【学生姓名】 王昭 【学 号】 2013204636

【系别专业】 信息管理与信息系统

【实验班组】 2013级 7 班 组 台

【同组学生】

【实验室名】

【实验日期】 【报告日期】

【二、实验教师对报告的最终评价及处理意见】

实验成绩： （涂改无效）

指导教师签名： 年 月 日

注：要将实验项目、实验课程的成绩评定及课程考核办法明确告知学生，并报实验管理中心备案 2

【三、实验预习】

实验目的和要求：

理解数据挖掘过程，并设计数据挖掘应用案例。

实验内容和原理或涉及的知识点（综合性实验）：

利用SQL Server 2008 BI开发环境创建一个具有决策树算法的挖掘结构。

（还可以建立“Microsoft聚类分析”挖掘模型和“Microsoft Naive Bayes”挖掘模型，选作）

实验条件（实验设备、软件、材料等）：

SQL Server 数据库引擎

Analysis Services

Business Intelligence Development Studio

AdventureWorks2008R2DW2008 示例数据库

实验设计方案（实验方法、步骤、操作过程、设计型实验、实验数据记录表格）：

1、启动SQL Server 2008 BI的开发环境;

2、创建一个Analysis Services项目，定义一个单个数据源，并向数据源视图添加一个表子集;

3、使用“数据挖掘向导”来创建Targeted Mailing挖掘结构，在此挖掘结构中，创建一个具有决策树算法的挖掘模型;

4、理解决策树模型。

3 实验预习成绩（涂改无效） 合格□ 不合格□ 4

【四、实验过程、数据和实验结果记录】

①实验方法、步骤、操作过程的记录描述或程序代码。②实验过程中输入/输出数据、程序运行结果的记录。（可加附页）

(1) 准备 Analysis Services 数据库

1.打开程序->Microsoft SQL Server 2008->SQL Server Business Intelligence Development Studio，启动SQL Server

2008 BI的开发环境。

2.在“文件”菜单上，指向“新建”，然后选择“项目”。选中“项目类型”窗格中的“商业智能项目”。选中“模板”窗格中的“Analysis Services 项目”。在“名称”框中，将新项目命名为 AS Data Mining 2008。单击“确定”。

3. 在Business Intelligence Development Studio中，选择“项目”菜单中的“属性”。在“属性页”窗格左侧的“配置属性”下，单击“部署”。在“属性页”窗格右侧的“目标”下，确保“服务器”名称为localhost。如果使用的是其他实例，请键入该实例的名称。单击“确定”。

4. 在“解决方案资源管理器”中，右键单击“数据源”文件夹，然后选择“新建数据源”。 5

在“欢迎使用数据源向导”页面中，单击“下一步”按钮

在“选择如何定义连接”页上，单击“新建”向 Adventure Works DW 2008 R2 数据库中添加连接。 （注意此步骤前必须已经启动了sql server和sql server Analysis services，并确认两者的登录身份为localSystem）

在“服务器名称”框中，键入或选择安装了AdventureWorksDW2008R2的服务器的名称。例如，如果是在本地服务器上承载该数据库，请键入localhost。如果使用的是其他实例，请键入该实例的名称。在“登录到服务器”组中，选择“使用

Windows 身份验证”

连接到一个数据库时，选择AdventureWorksDW2008R2数据库，然后单击“确定”。 单击“下一步”

5.在“模拟信息”页中，单击“使用服务帐户”，再单击“下一步”。在“完成向导”页中，请注意数据源名称默认为Adventure

Works DW2008R2。单击“完成”。此时，解决方案资源管理器的“数据源”文件夹中将出现刚创建的新数据源Adventure

Works DW2008R2。

6.在解决方案资源管理器中，右键单击“数据源视图”并选择“新建数据源视图”。

在“欢迎使用数据源视图向导”页中，单击“下一步”。 6 在“选择数据源”页的“关系数据源”下方，选择在上一个任务中创建的 Adventure Works DW2008R2 数据源。单击“下一步”。

7.在“选择表和视图”页上，选择下列对象，然后单击右箭头键，将它们包括在新数据源视图中：ProspectiveBuyer (dbo)

- 预期自行车购买者的表

vTargetMail (dbo) - 有关以前的自行车购买者的历史数据的视图 7

单击“下一步”。在“完成向导”页上，系统默认将数据源视图命名为Adventure Works DW2008R2。将该名称更改为Targeted Mailing，然后单击“完成”。新数据源视图随即在“Targeted Mailing.dsv [设计]”选项卡中打开

(2) 生成 Targeted Mailing 结构

1.在解决方案资源管理器中，右键单击“挖掘结构”并选择“新建挖掘结构”启动数据挖掘向导。

在“欢迎使用数据挖掘向导”页上，单击“下一步”。 在“选择定义方法”页上，确保已选中“从现有关系数据库或数据仓库”，

再单击“下一步”。在“创建数据挖掘结构”页的“你们要使用何种数据挖掘技术？”下，选择“Microsoft 决策树”。

8 2.单击“下一步”。在“选择数据源视图”页上的“可用数据源视图”窗格中，选择 Targeted Mailing。可单击“浏览”查看数据源视图中的各表，然后单击“关闭”返回该向导。单击“下一步”。

制定表类型，指定定型数据。

9

①实验方法、步骤、操作过程的记录描述或程序代码。②实验过程中输入/输出数据、程序运行结果的记录。（可加附页）

在“指定列的内容和数据类型”页上，单击“检测”运行用来确定每列的默认数据类型和内容类型的算法。

在“创建测试集”页上，将“测试数据百分比”保留其默认值：30。对于“测试数据集中的最大事例数”，请键入 1000。单击“下一步”。

在“完成向导”页上的“挖掘结构名称”中，键入Targeted Mailing。在“挖掘模型名称”中，键入TM_Decision_Tree。选中“允许钻取”复选框。单击“完成”。 10

(3) 处理挖掘模型

1.在 Business Intelligence Development Studio 的数据挖掘设计器中，单击“挖掘结构”选项卡或“挖掘模型”选项卡。Targeted Mailing MiningStructure 显示在“属性”窗格中。确保按 F4 可以打开“属性”窗格。确保 CacheMode 已设置为

KeepTrainingCases。 HoldoutSeed 设置为12。

.在“挖掘模型”菜单上选择“处理挖掘结构和所有模型”。

如果更改了结构，系统将提示你们在处理模型之前生成和部署项目。单击“是”。 11

在“处理挖掘结构 - Targeted Mailing”对话框中单击“运行”。

12

实验结果分析

三个级别的决策树的预览图

13 四个级别的决策树的预览图：

把购买的与非购买的设置不同的背景颜色 14

在Number Childern At Home 不等于1上看出（0表示非购买）数量是1313（1表示购买）数量是519

在Age>=38and<45节点上看出购买的是2559，非购买的是1454 15

（2）钻取到事例数据

钻取年龄与地区，年龄与收入可看出，两个表哥是一样的

Bike Buyer与所有属性的联系图： 16

年龄与Bike Buyer的关系最强烈：

地区与Bike Buyer的联系低于年龄，但也有较强的联系： 17

记录成绩（涂改无效） 合格□ 不合格□

【五、实验结果分析】

①根据理论知识对所得到的实验数据或结果进行解释、分析。②对实验结果所作的一般性的判断、归纳、概括，实验的心得体会、建议等。

1.通过这次的实验，又进一步的了解数据库Analysis Services的功能，掌握了它的一些间的应用能力，和一些基本的操作。

2.通过应用数据库Analysis Services的一些功能，能够分析一些数据之间的联系，有利于做出判断与决策。

合集下载

哈夫曼树 实验报告

哈夫曼树 实验报告

共 页 第 页 计算机科学与技术学院 数据结构 实验报告

班级 2014级计算机1班

学号

20144138021 姓名 张建华

成绩

实验项目 简单哈夫曼编/译码的设计与实现 实验日期 2016.1.5

一、实验目的

本实验的目的是进一步理解哈夫曼树的逻辑结构和存储结构，进一步提高使用理论知识指导解决实际问题的能力。

二、实验问题描述

利用哈夫曼编码进行通信可以大大提高信道利用率，缩短信息传输时间，降低传输成本。但是，这要求在发送端通过一个编码系统对待传数据预先编码，在接收端将传来的数据进行译码，此实验即设计这样的一个简单编/码系统。系统应该具有如下的几个功能：

1、接收原始数据。

从终端读入字符集大小n，以及n个字符和n个权值，建立哈夫曼树，并将它存于文件hfmtree.dat中。

2、编码。

利用已建好的哈夫曼树（如不在内存，则从文件hfmtree.dat中读入），对文件中的正文进行编码，然后将结果存入文件codefile.dat中。

3、译码。

利用已建好的哈夫曼树将文件codefile.dat中的代码进行译码，结果存入文件textfile.dat中。

4、打印编码规则。

即字符与编码的一一对应关系。

5、打印哈夫曼树，

将已在内存中的哈夫曼树以直观的方式显示在终端上。

三、实验步骤

1、实验问题分析

1、构造哈夫曼树时使用静态链表作为哈夫曼树的存储。

在构造哈夫曼树时，设计一个结构体数组HuffNode保存哈夫曼树中各结点的信息，根据二叉树的性质可知，具有n个叶子结点的哈夫曼树共有2n-1个结点，所以数组HuffNode的大小设置为2n-1，描述结点的数据类型为：

Typedef strcut

实验八 关联和决策树

实验八 关联和决策树

1

云南大学软件学院

实验 报 告

课程：大数据分析及应用任课教师：蔡莉实验指导教师（签名）：

学号：20131120233 姓名：王依 专业：软件工程 日期：2015.12.10 成绩：

实验八关联和决策树

一、 实验目的

1．理解关联分析和决策树的相关知识；

2．掌握使用Modeler进行关联分析的基本过程；

3．掌握利用关联分析的数据建立一个决策树的过程。

二、 实验内容及步骤

（一）使用 Modeler 进行关联分析

实验内容：

对实验文件BASKETS1进行分析，掌握购买数据之间的关联情况。

实验步骤：

1. 打开并查看数据文件。利用“可变文件”节点将“BASKETS1n”添加节点中。然后使用“输出”选项卡下的“表”查看数据，如图1所示。这里的数据是某商场中的购买记录，共18个字段，1000条记录，在后面的列中，值“T”表示已购买该商品，值“F”表示没有购买该商品。

图1 2

2. 确定关联分析字段。在这里中，需要对购买商品之间进行关联分析，即确定客户购买商品之间是否存在关联性，也就是说客户在购买一种商品时，购买另一种商品的概率是多少。所以，在这里，将选择记录中能够体现是否购买某商品的字段进行关联分析，其中有fruitveg，freshmeat，dairy，cannedveg，cannedmeat，frozenmeal，beer，wine，softdrink，fish，confectionery，共11个字段。

3. 读入分析字段的类型。在工作区生成“类型”节点，并双击编辑，将上一步骤选出的11个字段的角色设定为“两者”，如图2。

图2

4. 添加模型节点。分别在“类型”之后添加“Apriori”模型节点和“Crama”模型节点，如图3所示。其中，“Apriori”模型是基于“最低支持度”和“最小置信度”进行关联性分析。

图3 3

5. 运行并查看“Apriori”关联模型结果。运行“Apriori”模型的数据流，在右上侧生成数据模型，右键查看，如图4所示。表中可以看出，客户同时购买frozenmeal、beer、cannedveg的概率很高。因此，商家可以将这三种商品放在相邻的位置，以促进销量。

支持决策实验报告

支持决策实验报告

1

结课论文

玩具销售管理决策支持系统

学院： 管理与经济学院

专业： 工业工程

姓名： 宝保庆

学号： 201214123

2 目录

一、 系统概述---------------------------------------------------------2

（一）问题描述----------------------------------------------------------2

（二）主要功能-----------------------------------------------------------2

（三）运行环境-----------------------------------------------------------2

二、系统分析-----------------------------------------------------------3

（一）系统需求分析------------------------------------------------------3

（二）系统流程图--------------------------------------------------------3

三、模型与方法介绍-------------------------------------------------4

四、系统设计----------------------------------------------------------6

（一）模型库设计--------------------------------------------------------6

（1）直线平均季节指数模型库-----------------------------------------6

（2）专家咨询模型------------------------------------------------------7

《数据挖掘实验》---K-means聚类及决策树算法实现预测分析实验报告

《数据挖掘实验》---K-means聚类及决策树算法实现预测分析实验报告

《数据挖掘实验》---K-means聚类及决策树算法实现预测分析实验报告

实验名称：K-means聚类及决策树算法实现预测分析

实验目的：

1、掌握K-means算法的原理及应用。

2、掌握决策树算法模型的方法及应用。

实验设备与环境：计算机，R及RStduio等。

实验内容：

1、通过通信企业数据（USER_INFO_M.csv），使用K-means算法实现运营商客户价值分析，并制定相应的营销策略。（预处理，构建5个特征后确定K值，构建模型并评价）

2、根据企业在2016.01-2016.03客户的短信、流量、通话、消费的使用情况及客户基本信息的数据，构建决策树模型，实现对流失客户的预测，F1值。

实验设计过程及分析：

1、通过通信企业数据（USER_INFO_M.csv），使用K-means算法实现运营商客户价值分析，并制定相应的营销策略。（预处理，构建5个特征后确定K值，构建模型并评价）

代码：

setwd("D:\\Mi\\数据挖掘\\")

datafile<-read.csv("USER_INFO_M.csv")

zscoredFile<- na.omit(datafile)

set.seed(123) # 设置随机种子

result <- kmeans(zscoredFile[,c(9,10,14,19,20)], 4) # 建立模型，找聚类中心为4

round(result$centers, 3) # 查看聚类中心

table(result$cluster) # 统计不同类别样本的数目

# 画出分析雷达图

par(cex=0.8)

library(fmsb)

max <- apply(result$centers, 2, max)

min <- apply(result$centers, 2, min)

df <- data.frame(rbind(max, min, result$centers))