第一篇：数据挖掘关联规则实验报告
实验七
关联规则
1.实验目标
• 使用SSAS进行关联规则挖掘实验
2.实验要求
（1）按“实验内容”完成操作，并记录实验步骤；
（2）回答“问题讨论”中的思考题，并写出本次实验的心得体会；（3）完成实验报告。
3.实验内容
生成市场篮方案。Adventure Works 的市场部希望改进公司的网站以促进越区销售。在更新网站之前，需要根据客户的在线购物篮中已有的其他产品创建一个可预测客户购买需求的数据挖掘模型。这些预测还有助于市场部将可能被集中购买的项统一放置在网站的一个位置上。通过实验，创建关联规则模型，可预测可能出现在购物篮中的其他项或客户想要放入购物篮的项。
4.实验步骤
(1)创建市场篮挖掘模型结构
1.在 Business Intelligence Development Studio 的解决方案资源管理器中，右键单击“挖掘结构”，再选择“新建挖掘结构”。此时，系统将打开数据挖掘向导。
2.在“欢迎使用数据挖掘向导”页上，单击“下一步”。
3.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”。4.在“选择数据挖掘技术”页的“您要使用何种数据挖掘技术?”下，选中“Microsoft 关联规则”，再单击“下一步”。
“选择数据源视图”页随即显示。默认情况下，“可用数据源视图”下的 Adventure Works DW 为选中状态。
5.单击“下一步”。
6.在“指定表类型”页上，选中 vAssocSeqOrders 表旁的“事例”复选框，选中
vAssocSeqLineItems 表旁边的“嵌套”复选框，再单击“下一步”（注意先在视图中建立两个表之间的关联）。
7.在“指定定型数据”页上，依次清除 CustomerKey 旁边的“键”复选框和 LineNumber
旁边的“键”和“输入”复选框。
8.选中 Model 列旁边的“键”和“可预测”复选框。然后，系统也将自动选中“输入”复选框。
9.单击“下一步”。
10.在“指定列的内容和数据类型”页上，单击“下一步”。11.在“完成向导”页的“挖掘结构名称”中，键入 Association。12.在“挖掘模型名称”中，键入 Association，再单击“完成”。
(2)调整关联模型的参数和处理关联模型
在处理上一个任务中与“关联”挖掘结构一起创建的初始挖掘模型之前，必须更改以下两个参数的默认值：Support 和 Probability。Support 定义规则被视为有效前必须存在的事例百分比。Probability 定义关联被视为有效前必须存在的可能性。
调整关联模型的参数步骤如下：
1.打开数据挖掘设计器的“挖掘模型”选项卡。
2.右键单击设计器网格中的“关联”列，然后选择“设置算法参数”。
系统将打开“算法参数”对话框。
3.在“算法参数”对话框的“值”列中，设置以下参数：
MINIMUM_PROBABILITY = 0.1 MINIMUM_SUPPORT = 0.01 4.单击“确定”。
处理关联模型步骤如下：
1.在 Business Intelligence Development Studio 的“挖掘模型”菜单上，选择“处理挖掘结构和所有模型”。
系统将打开“处理挖掘结构关联”对话框中，单击“关闭”。
(3)浏览市场篮模型
使用数据挖掘设计器的“挖掘模型查看器”选项卡中的 Microsoft 关联查看器浏览该模型。浏览模型时，可以轻松地查看可能同时出现的产品，并可浏览项之间的关系。还可以筛选出较弱的关联，并对新浮现的模式有一个总体的概念。
Microsoft 关联查看器包含三个选项卡：“项集”、“规则”和“依赖关系网络”。
“项集”选项卡
“项集”选项卡显示与 Microsoft 关联算法发现的项集相关的三种重要信息：支持度（发生项集的事务的数量）、大小（项集中项的数量）以及项集的实际构成。根据算法参数的设置方式，算法可以生成大量的项集。使用“项集”选项卡顶部的控件，可以筛选查看器，使其仅显示包含指定的最小支持度和项集大小的项集。
也可以使用“筛选项集”框来筛选查看器中显示的项集。例如，若要仅查看包含有关 Mountain-200 自行车信息的项集，可在“筛选项集”中输入 Mountain-200。您将在查看器中看到，只有包含“Mountain-200”字样的项集被显示。查看器中返回的每个项集都包含有关销售 Mountain-200 自行车事务的信息。例如，在“支持度”列中包含值 710 的项集表示：在所有事务中，710 个购买 Mountain-200 自行车的人也购买了 Sport-100 自行车。
“规则”选项卡
“规则”选项卡显示与算法发现的规则相关的以下信息。 概率 规则发生的可能性。
重要性 用于度量规则的有用性，值越高则意味着规则越有用。只看概率可能会产生误解。例如，如果每个事务都包含一个 x 项，规则 y 预测 x 发生的概率为 1，即 x 一定会发生。即使规则的准确性很高，但这并未传达很多信息，因为不管 y 如何，每个事务都会包含 x。 规则 规则的定义。
像使用“项集”选项卡一样，可以筛选规则，以便仅显示最关心的规则。例如，如果只想查看包含 Mountain-200 自行车的规则，可在“筛选规则”框中输入 Mountain-200。查看器将仅显示包含“Mountain-200”字样的规则。每条规则都可以根据事务中其他项的发生情况来预测某个项的发生情况。例如，由第一个规则可知：如果一个人购买了 Mountain-200 自行车和水壶，则此人还会购买 Mountain 水壶套的概率为 1。
“相关性网络”选项卡
使用“相关性网络”选项卡，可以研究模型中不同项的交互。查看器中的每个节点表示一个项；例如，Mountain-200 = Existing 节点表示事务中存在 Mountain-200。通过选择节点，可以使用选项卡底部的彩色图例来确定模型中的项与其他的项的相互确定关系。
滑块与规则的概率关联。上下移动滑块可以筛选出弱关联。例如，在“显示”框中，选择“仅显示属性名称”，再单击 Mountain Bottle Cage 节点。查看器显示，Mountain 水壶套预测了水壶和 Mountain-200 自行车，而水壶和 Mountain-200 自行车也预测了 Mountain 水壶套。这意味着，这些项有可能同时在事务中出现。也就是说，如果某个客户购买了自行车，则他也可能会购买水壶套和水壶。
5.实验结果及问题讨论
（1）根据实验结果给出市场部统一放置在网站的一个位置上的可能被集中购买的项的建议。通过项集与规则图，我们可以看出各商品之间的关联程度，及这种关联程度的可信度，通过综合来达到相关联商品的相互促销
通过点击依赖关系网络图中的各项，观察其周围与之相关的其他项的数量，数量越多。说明此项影响其他销售的项目越多，我们就可对此项进行促销，还可将相互影响的物品放在
一起，形成相互促销。（2）写出自己对关联规则的理解。
对于那些很难直接看出关系的各项交易，我们可以通过查询其交易的相关性，即购买此种产品会连带购买另一产品的概率，来发现其隐藏的关系，从而通过产品位置的调整或相互促销，来提高销售量
第二篇：数据挖掘实验报告
大数据理论与技术读书报告
—--— －K 最近邻分类算法 指导老师 ：
陈 莉
学生姓名
:
李阳帆
学 学
号 号
：
：
２01531 ４6 ７
专 专
业 ：
计算机技术
日
期
：
：
２0 １６年 ８月 月 31 日
摘 摘要
数据挖掘就是机器学习领域内广泛研究得知识领域，就是将人工智能技术与数据库技术紧密结合, 让计算机帮助人 们从庞大得数据中智能地、自动地提取出有价值得知识模式，以满足人们不同应用得需要。
Ｋ Ｋ近邻算法（ＫNN）就是基于统计得分类方法，就是大数据理论与分析得分类算法中比较常用得一种方法。该算法具有直观、无需先验统计知识、无师学习等特点，目前已经成为数据挖掘技术得理论与应用研究方法之一。本文主要研究了 Ｋ Ｋ
近邻分类算法, 首先简要地介了 绍了数据挖掘中得各种分类算法，详细地阐述了 K近邻算法得基本在 原理与应用领域，最后在 mat ｌａb 环境里仿真实现，并对实验结果进行分析，提出了改进得方法。
关键词：K
近邻，聚类算法，权重，复杂度，准确度
1、、引言......................................................................................0 2、、义 研究目得与意义误错ﻩ 错误!未定义书签。
3、、算法想 思想误错ﻩ 错误!未定义书签。
4、、现 算法实现 1ﻩ４、1
置 参数设置误错ﻩ 错误!未定义书签。
４、2 集 数据集 1ﻩ4骤、３实验步骤误错ﻩ 错误!未定义书签。、4 析 实验结果与分析误错ﻩ 错误!未定义书签。
5、、思 总结与反思误错ﻩ 错误!未定义书签。
附件１ １误错ﻩ 错误!未定义书签。
1、、引言 随着数据库技术得飞速发展，人工智能领域得一个分支—— 机器学习得研究自 20 世纪 50 年代开始以来也取得了很大进展。用数据库管理系统来存储数据，用机器学习得方法来分析数据,挖掘大量数据背后得知识,这两者得结合促成了数据库中得知识发现（Knowlｅdｇe Discoverｙ in Ｄａｔabａｓes，简记 KDD)得产生,也称作数据挖掘(Daｔa Ｍｉng，简记 DM）。
数据挖掘就是信息技术自然演化得结果。信息技术得发展大致可以描述为如下得过程:初期得就是简单得数据收集与数据库得构造;后来发展到对数据得管理，包括：数据存储、检索以及数据库事务处理；再后来发展到对数据得分析与理解，这时候出现了数据仓库技术与数据挖掘技术。数据挖掘就是涉及数据库与人工智能等学科得一门当前相当活跃得研究领域。
数据挖掘就是机器学习领域内广泛研究得知识领域，就是将人工智能技术与数据库技术紧密结合,让计算机帮助人们从庞大得数据中智能地、自动地抽取出有价值得知识模式,以满足人们不同应用得需要[1］.目前，数据挖掘已经成为一个具有迫切实现需要得很有前途得热点研究课题。
2、、研究目得与意义 近邻方法就是在一组历史数据记录中寻找一个或者若干个与当前记录最相似得历史纪录得已知特征值来预测当前记录得未知或遗失特征值[１4]。近邻方法就是数据挖掘分类算法中比较常用得一种方法。Ｋ近邻算法(简称 KNN)就是基于统计得分类方法［15]。KNN 分类算法根据待识样本在特征空间中 K 个最近邻样本中得多数样本得类别来进行分类，因此具有直观、无需先验统计知识、无师学习等特点,从而成为非参数分类得一种重要方法。
大多数分类方法就是基于向量空间模型得。当前在分类方法中，对任意两个向量：
x＝与存在 ３ 种最通用得距离度量：欧氏距离、余弦距离[1６］与内积[1７]。有两种常用得分类策略：一种就是计算待分类向量到所有训练集中得向量间得距离：如 K近邻选择 K 个距离最小得向量然后进行综合，以决定其类别。另一种就是用训练集中得向量构成类别向量，仅计算待分类向量到所有类别向量得距离，选择一个距离最小得类别向量决定类别得归属。很明显,距离计算在分类中起关键作用。由于以上 3 种距离度量不涉及向量得特征之间得关系,这使得距离得计算不精确，从而影响分类得效果。
3、、算法 思想 K 最近邻（K-Ｎeａresｔ Nｅighbor,ＫＮN）算法，就是著名得模式识别统计学方法，在机器学习分类算法中占有相当大得地位.它就是一个理论上比较成熟得方法。既就是最简单得机器学习算法之一，也就是基于实例得学习方法中最基本得，又就是最好得文本分类算法之一.其基本思想就是：假设每一个类包含多个样本数据，而且每个数据都有一个唯一得类标记表示这些样本就是属于哪一个分类，KNＮ就就是计算每个样本数据到待分类数据得距离,如果一个样本在特征空间中得 k 个最相似（即特征空间中最邻近）得样本中得大多数属于某一个类别,则该样本也属于这个类别。该方法在定类决策上只依据最邻近得一个或者几个样本得类别来决定待分样本所属得类别.K—最临近分类方法存放所有得训练样本,在接受待分类得新样本之前不需构造模型，并且直到新得（未标记得)样本需要分类时才建立分类.K－最临近分类基于类比学习,其训练样本由Ｎ维数值属性描述，每个样本代表 N 维空间得一个点。这样，所有训练样本都存放在 N维模式空间中.给定一个未知样本,k—最临近分类法搜索模式空间，找出最接近未知样本得K 个训练样本。这 K 个训练样本就是未知样本得 K 个“近邻”.“临近性”又称为相异度（Dｉssimiｌarity）,由欧几里德距离定义，其中两个点 Ｘ（x １，x 2 ,„ｘ n）与 Y(y 1 ,y 2，„yｎ)得欧几里德距离就是:
未知样本被分配到K个最临近者中最公共得类.在最简单得情况下,也就就是当Ｋ＝1时,未知样本被指定到模式空间中与之最临近得训练样本得类.4、、算法实现 4、、１ １ 参数设置 K 值得设定 K 值设置过小会降低分类精度;若设置过大，且测试样本属于训练集中包含数据较少得类,则会增加噪声，降低分类效果。通常，Ｋ值得设定采用交叉检验得方式（以 K=１为基准），通过查找相关资料，Ｋ一般低于训练样本数得平方根,本实验中得训练样本数为 10０个,因此选取 k=7。、2 数据集 本文得实验数据采用软木塞得数据集，软木塞得样本可分为三类，分别用１,2，３代表，共 1５0 个样本，我们选取其中得 100 个样本为训练集，其余得 50 个样本为测试集。每个样本均包含１0 维特征,由于用 10 维特征计算量太大，本实验得目得主要就是明白 K-最近邻算法得思想，重点不在计算，因此我们选取其中得两个属性作为
本实验得数据，实验数据得部分截图如图 1 所示。
图 1、部分实验数据、3 实验步骤 第一步，初始化距离为最大值。
第二步,计算未知样本与每个训练样本得距离 dｉｓt。
第三步,得到目前 K 个最临近样本中得最大距离 maxｄist。
第四步，如果ｄisｔ小于 mａxdｉsｔ，则将该训练样本作为 K－最近邻样本.第五步，重复步骤 2、3、4，直到未知样本与所有训练样本得距离都算完.第六步,统计Ｋ—最近邻样本中每个类标号出现得次数。
第七步,选择出现频率最大得类标号作为未知样本得类标号。、4 实验结果与分析 按照上述实验步骤,在mａtlab中仿真实现k－近邻分类算法得结果如下图2所示,图中得第一列数据表示样本编号，第二列与第三列表示软如塞数据得两位特征得值,第三列得数字表示本实验得分类结果图,第四列表示样本实际所属类別。
图 3 中列出了详细错误信息.第一行与第一列表示样本类别,第 i 行第 j 列得元素表示第 i类样本被分为第 j 类样本得个数（2≤ｉ，ｊ≤4),第五列表示每类样本分类错误总数,第六列表示错误率。由图中数据易得,本实验得平均正确率为 86、７％。
图 2、7—最近邻分类结果图
图 3、错误统计图
KＮN 方法虽然从原理上也依赖于极限定理,但在类别决策时，只与极少量得相邻样本有关。因此，采用这种方法可以较好地避免样本得不平衡问题。另外，由于 KＮN方法主要靠周围有限得邻近得样本，而不就是靠判别类域得方法来确定所属类别得,因此对于类域得交叉或重叠较多得待分样本集来说，KＮN 方法较其她方法更为适合。
该方法得不足之处就是计算量较大，因为对每一个待分类得文本都要计算它到全体已知样本得距离,才能求得它得 K个最近邻点.目前常用得解决方法就是事先对已知样本点进行剪辑，事先去除对分类作用不大得样本。该算法比较适用于样本容量比较大得类域得自动分类,而那些样本容量较小得类域采用这种算法比较容易产生误分。
5、、总结与反思 模式分类在现实领域有着非常广泛得应用。
Ｋ近邻算法就是模式分类算法中一类常用得算法。本文针对传统得 KNN 算法得不足之处,提出了两点改进措施。
1、针对 KＮN 算法得计算量大、速度慢得缺点,对训练数据采用了预处理得方法.首先采用某一聚类方法对训练数据进行分类，然后再与 K近邻方法相结合来判断待测样本得类别。现有得方法都就是经过聚类之后确定类别，按一定得规则挑选出来具有代表性得数据。然后再将这些挑选出来得数据作为训练样本.但这类方法能去除得数据非常有限,因此对计算量大得改进不大，而本文提出得新得算法:在聚类之后,首先计算出来各个类别得中心,然后只需要考虑待测样本与聚类中心得距离就可以.然后再根据最终得到得距离得大小判断该点所属得类别。通过实例验证表明,该方法在算法得时间复杂度方面有一定得改进。
2、关于准确度得问题,我们主要就是舍弃了原来常用得欧式距离得计算公式，主要考虑了属性对分类得影响,在欧式距离得计算中引入了权值.尽管权值得确定在一定程度上增加了计算时间得代价,但就是从改进分类准确率上来说仍然就是必要得,尤其就是在数据中无关属性比较多,传统得分类算法误差较大得情况下学习特征权值尤其适用。权值得确定也已经有了不少得方法，如可以通过神经网络来确定权值等。本文从训练样本出发，逐一统计计算每一个属性对分类结果得影响，根据影响得大小来确定权值。通过实例验证，可知这种方法得到得权值与其她常用得方法相比,在分类准确度方面有一定得提高。
参考文献
[ [1 1] ] 邓箴, , 包宏、用模拟退火改进得
KNN 分类算法 [J ］。计算机与应用化学，２ 010，27(3）
:3 03--307.［2 2 ］郭躬德，黄杰，陈黎飞、基于
Ｋ NN
模型得增量学习算法 [J ］。模式识别与人工智能，20 １０ ,23(５):70 １－7 7 ０７。
［ ３ ］黄杰，郭躬德，陈黎飞、增量
K K Ｎ N 模型得修剪策略研究［J J ].小型微型计算机系统，201 １, , ５(5)：
５－ 849.[ [ ４] ] 李欢，焦建民．简化得粒子群优化快速
KNN 分类算法［J J ］。计算机工程与应用，２ 008,4 ４（3 ２))：
57--5 5 ９。
[ [5 5 ］王晓晔, , 王正欧.K －最近邻分类技术得改进算法［J J ］。电子与信息学报，2005,２7 7（3):4 ８7 7 — 49 １．
［ ６ ］ Gu ｏ
Gongde, Ｗ ang Hui, Ｂｅ ll
D D，ｅ t al.U ｓｉｎ g Ｋ NN model for aｕt t ｏ ma ｔi i ｃ
tex ｔ
ca ｔ egori ｚa a ｔ ion ［ Ｊ ］、Soft
putin ｇ — A F ｕ sion o ｆ
F F ｏｕｎ dat ｉ on, M ｅ thodo ｌｏ gi ｅｓ
ａｎd d
Ａ pplicatio ｎ，200 ６, ,1 1 ０（5)：４2 2 ３--430.[ [7 7 ］余小鹏，周德翼。一种自适应ｋ－最近邻算法得研究 [J].，计算机应用研究，2006(2): 7 70 0 －7 7 ２。
附件 1:
源代码
KＮN、m
%%％%%％%％%％%%%％%％%％％%％％％%％%％％％％%%％％% %
KNＮ、m
K-最近邻分类算法 ％ ％％%％%％％%%％%％%%％%%％％％%％%%%%%％％％％%％％％ A=x ｌs ｒｅa ｄ（＇E ： 上课＼机器学习模式识别课件 数据＼ＣＯR Ｋ_ ＳＴOPPEｘ ＲＳ、ｘls",2）； f=zer ｏs(150，5)； ｆ ｆ(：, １:2）=A（1 ：１50, ３：4)； f1 ＝Ａ（1 ：50，3 ：4)； f2= Ａ（51:100，3 ：4);f3= Ａ(１01:15 ０, ３：4);ｃ ｃl ｓ= ｚero ｓ（1 ５0，１0);ｏ ｆｏr
ｉ= １：150
for j ＝1:1 ５0
c ｌｓ(i，j）＝norm（f(i，１：2）-f（ｊ，1 ：２））;
end end % 对计算出得每个样本与其她 150 个样本(包括自己）得距离排序，选 K=10 arr ａy= ｚeros(300，１1）； f ｏr ｉi ＝１：150
［ｖal ｕe,inde ｘ］＝ｓort(cl ｓ（i ｉ, ：）);
ａｒｒa ｙ（2 ＊ｉｉ— １，：)＝val ｕｅ(1: １１）；
a ｒｒay(2 ＊ｉi, ：)＝in ｄex(1 ：1 １）； end 类 ％对每个样本分类 fo ｒ ii= １:150
a11=length(f ｉnd(array(2 ＊i ｉ,:）〈５0));
a12=l ｅngth（f ｉnd(arr ａy（２＊ii，:）〉50 ＆a ｒr ａy(2*i ｉ，：）〈１00）)； ；
a13=len ｇth（ｆｉnd（a ｒray（2 ＊ｉi，：)〉1 ０0 ＆array（2 ＊i ｉ，：)<15）
０）)；
ｉf（max(max（ａ１1,a12)，a13)==a11)
f(ii,3）=1;
else if（ｍax（max(a11，ａ12)，ａ1 ３）＝=a12）
f（ii,3)=2;
els ｅ
ｆ（i ｉ,3）＝3 ；
end
en ｄ
end % 错误计算 e ｒro ｒ＝ze ｒo ｓ（３,5）;for
i=1 ：50
if(f（ｉ，3）= ＝2）
error（1，2)= ｅｒｒor（1,2）+1 ；
end
if（ｆ（i,3)＝=3）
ｅrr ｏｒ(1，3）= ｅｒｒo ｒ(1，3）+1 ；
ｅnd
if(f（5 ０+i，３）==1）
ｅr ｒｏｒ(2,1）＝erro ｒ（2，1)+ １；
ｅnd
if(ｆ（5 ０+i, ３）==3）
err ｏr(２,3)＝e ｒror(2,3)+1 ；
en ｄ
if（ｆ（100+ ｉ，3)==1)
error（3，1)= ｅｒro ｒ（３，1)+1;
end
i ｆ（ｆ(100+i, ３）== ２）
er ｒor（3，２）=er ｒo ｒ（3,2）+ １;
ｅnd
e ｎd for
k ＝1:3 %D 第四列表示错误数 err ｏｒ(k,4）＝err ｏr（k，１）＋err ｏr(k，2）+e ｒro ｒ(ｋ,3）;error(k，5)＝err ｏr(k，４)/50 ； en ｄ
第三篇：数据仓库与数据挖掘实验报告,演示范文
《数据挖掘》大作业
院（系）名称：信 息 技 术 学 院 专
业 年 级：11 级网络工程（物联网方向）
学
号：111124092 学 生
姓 名：朱
玉
jxjk 目录 目录.....................................................................................................................................I 第 1 章 数据仓库和数据挖掘简介......................................................................................1 1.1 数据简介.............................................................................................................................................1 1.2 数据挖掘技术.....................................................................................................................................1 第 2 章 创建数据仓库..........................................................................................................2 2.1 数据....................................................................................................................................................2 2.1.1 数据属性结构........................................................................................................................................2 2.1.2 数据库的相关处理................................................................................................................................3 2.1.3 实验的开发平台....................................................................................................................................3 2.2 数据库的结构模块简介....................................................................................................................3 第 3 章 数据挖掘过程..........................................................................................................3 3.1 关联规则............................................................................................................................................3 3.1.1 关联规则挖掘过程图解.........................................................................................................................3 3.1.2 决策树挖掘过程图解...........................................................................................................................24 3.1.3 聚类分析挖掘过程图解.......................................................................................................................26 3.2 数据集挖掘结果..............................................................................................................................28 3.2.1 超市交易关联规则的挖掘结果...........................................................................................................28 3.2.2 影响小学生自控能力调查数据集决策树的挖掘结果.......................................................................31 3.2.3 影响小学生自控能力因素调查数据集聚类分析的挖掘结果............................................................33 第四章 数据仓库和数据挖掘总结....................................................................................38 4.1 关联规则总结...................................................................................................................................38 4.2 决策树总结.......................................................................................................................................38 4.3 聚类分析总结...................................................................................................................................40
jxjk 第 1 章 数据仓库和数据挖掘简介 1.1 数据简介
我的数据集是由两个不同的数据库组成，因为做关联规则的时候，影响小学生自控能力的因素分析调查分析数据库，不具备关联规则一对多的条件，因此，我用了课本上的的超市交易数据集。所以做关联规则的超市数据集，在这里我就不多介绍了。
做决策树,聚类分析所用的数据集影响小学生自控能力的因素分析调查分析数据库主要父母文化程度，家庭经济状况，教师要求，民族，年纪，年龄，师生关系，是否单亲，是否是独生子女，兴趣，性别，姓名，学号，性格，自控能力属性组成。此表是用来调查影响小学生自控能力的因素有哪些。此数据集做决策树的目的是，可以根据小学生的基本情况大致了解他的自控能力。此数据集做聚类分析，可以从中挖掘出小学生基本情况的分类。
1.2 数据挖掘技术 关联规则、决策树、聚类分析。
jxjk
第 2 章 创建数据仓库 2.1 数据
2.1.1 数据属性结构 如表 2-1、2-2 所示。
表 表 2 2--1 超市数据交易表
表 表 2 2--2 影响小 学生自控能力的因素分析调查表
jxjk
2.1.2 数据库的相关处理 1.创建数据库 2.数据集导入 3.设置主键 4.创建数据库关系图 2.1.3 实验的开发平台 1.实验设备：PC 2.主要开发软件：SQL Sever 2005 3.辅助软件：Office
2.2 数据库的结构模块简介 本数据库有两个数据集组成，超市交易数据集和 影响小学生自控能力的因素分析调查表两个数据集。超市交易中有 ID 和 Items 两个属性；影响小学生自控能力的因素分析调查表数据集中有年级、学号、姓名、年龄、性别、民族、是否单亲、是否独生子女、父母文化程度、家庭经济状况、是否为班委、教师要求、师生关系、兴趣、性格、自控能力等属性。
第 3 章 数据挖掘过程 3.1 关联规则 3.1.1 关联规则挖掘过程图解
1.商业智能项目创建过程图解
jxjk
2.数据源的创建过程图解
jxjk
jxjk
jxjk
jxjk
jxjk
3.数据源视图创建过程图解
jxjk
jxjk
jxjk
jxjk
4.数据集挖掘结构创建过程图解
jxjk
jxjk
jxjk
jxjk
jxjk
jxjk
jxjk
jxjk
jxjk
5.设置算法参数
6.处理挖掘结构过程图解
jxjk
jxjk
3.1.2 决策树挖掘过程图解 决策树的挖掘过程与关联规则基本上相同，但有些是不同的，因此，我把不同过程的图解在下面给出。
1.创建挖掘结构过程中挖掘数据所用的列的选项
jxjk
2.算法参数设置
jxjk
3.1.3 聚类分析挖掘过程图解 聚类分析的挖掘过成与决策树、关联规则也基本上相同，因此，我把不同过程的图解和决策树一样也在下面给出。
1.挖掘数据集时所用到的属性
jxjk
2.算法参数设置
jxjk
3.2 数据集挖掘结果 3.2.1 超市交易关联规则的挖掘结果
1.项集
jxjk
2.钻取
3.规则
jxjk
4.依赖关系网络
jxjk
3.2.2 影响小学生自控能力调查数据集决策树的挖掘结果 1.决策树
2.依赖关系网络
jxjk
jxjk
3.2.3 影响小学生自控能力因素调查数据集聚类分析的挖掘结果
jxjk
1.分类关系图
2.分类剖面图
jxjk
3.分类特征
jxjk
4.分类对比
jxjk
jxjk
第四章 数据仓库和数据挖掘总结 4.1 关联规则总结
从超市交易数据集中能挖掘到：能够推测到顾客买商品的时候，大概会买那些商品。比如根据下图：
从此挖掘结果中能够看到，顾客买 cream 也可能会买 bread。
4.2 决策树总结
从影响小学生自控能力因素调查表数据集中能够挖掘出：小学生的自控能力与哪些因素有关联，关联是否很强，或者根据小学生的基本情况大概能判断出小学生的自控能力的倾向。比如一下几个图：
jxjk
从以上几个图片可以看出，影响小学生的自控能力的因素有兴趣、父母文化程度、年级、家庭经济情况、性别、是否是独生子女、教师要求、是否为班委，影响小学生自控能力的最强因素
jxjk
是兴趣因素，最弱的是性别。
4.3 聚类分析总结
从影响小学生自控能力因素调查表数据集中能够挖掘出：影响小学生自控能力的调查对象中的基本分类，还有分类中的倾向。
第四篇：客户关系管理论文：客户关系管理 零售业 数据挖掘 关联规则
客户关系管理论文：基于关联规则的零售业CRM的设计和实现
【中文摘要】随着我国零售行业竞争日益激烈,尤其是大型超市越来越多,传统的营销模式已经不适应现代的新形势了。客户关系管理(CRM)作为一种“以客户为核心”的支持有效市场推广、营销和服务过程的重要经营策略,越来越受到企业重视,有效做好客户关系管理对于企业提升竞争力起着很重要的作用。而在客户关系管理系统的基础上加入数据挖掘技术,可以透过数理模式来分析商家在营销过程中产生的大量资料,划分出不同类型的客户或不同的市场,分析出消费者的爱好和行为的方法,帮助商家保住原有客户,开发新客户,进一步提升客户的满意度。本文在传统客户关系管理系统的基础上,整合了数据挖掘(关联规则)及手机平台的应用,使得系统能够更有效地完成数据分析,更深度地挖掘潜在客户,更及时地为使用者反馈信息。本论文从以下几个方面进行了研究：(1)针对大型超市的工作流程,设计开发了一个大型超市零售业务的CRM,包括客户管理和智能分析等子系统,包含有客户资料查询、商品销量分析、商品销售关联分析和客户消费关联分析等等功能。(2)在客户消费关联分析中,使用数据挖掘中的关联规则Apriori算法对客户消费的商品进行了挖掘,建立了客户消费方式模型,根据客户选择规...【英文摘要】With the increasingly fierce competition of China’s retail industry, especially the wide spread of large
supermarket, the traditional marketing mode cannot adapt to the new situation today.Customer Relationship Management(CRM), an important kind of management tactic, are now attached great importance to which means take the customer as the core to support effective market promotion, marketing and service process.Effecting the CRM effectively plays a very important role in enhancing enterprise’s competiti...【关键词】客户关系管理 零售业 数据挖掘 关联规则
【英文关键词】CRM Retail Industry Data mining Association rules 【索购全文】联系Q1：138113721 Q2：139938848 【目录】基于关联规则的零售业CRM的设计和实现6-71113-1614-16ABSTRACT7-8
第1章 绪论11-17
摘要1.1 引论1.2 系统开发背景11-131.3.1 国外现况13-14
1.3 国内外研究状况1.3.2 国内现况
第2章 客户1.4 本文的内容和组织结构16-17关系管理与数据挖掘理论17-2517-19
2.1 客户关系管理
2.1.2 2.1.1 客户关系管理的基本内涵17-18零售业客户关系管理的特点18-1919-212.2.1 数据挖掘的定义19
2.2 数据挖掘技术
2.2.2 数据挖掘与知
2.3 基于识发现19-202.2.3 数据挖掘的方法20-21关联规则的数据挖掘21-242.3.1 关联规则的概述
21-2224-252.3.2 关联规则挖掘22-242.4 本章小结
3.1 3.1.2 3.2.1 第3章 零售业CRM系统的分析与设计25-47
3.1.1 功能性需求分析25-26
3.2 总体设计27-36需求分析25-27非功能性需求分析26-27设计思想27-31框架结构33-35台的选择36-3936-37
3.2.2 算法模型31-333.2.4 业务数据流35-363.3.1 ADO.NET开发技术
3.2.3 系统的3.3 开发平3.3.2.NET Framework开发技术37-39
3.4.1 操作型数据与分析型数据
3.4 数据设计39-4539-413.4.2 数据库设计41-453.5 零售业CRM系统
第4章 零售
4.2 4.4 进4.6 系功能模块设计45-46业CRM系统的实现47-58短信平台模块49-50销存管理模块54-55统管理模块57望58-6059-60项目63-64
3.6 本章小结46-47
4.1 客户管理模块47-494.3 智能分析模块50-544.5 报表打印模块55-57
4.7 本章小结57-58第5章 总结与展5.1 总结58-59参考文献60-63
致谢64
5.2 今后工作展望攻读硕士学位期间参加的科研
第五篇：《时间序列数据分析挖掘》课程实验报告模板
《时间序列数据分析挖掘》
课程实验报告
实验名称： | |
姓 名： | |
学 号： | |
上课类型： | 平台课/专业课 |
日 期： |
一、实验内容
实验内容包含要进行什么实验，实验的目的是什么，实验用到的算法及其原理的简单介绍。
1.1实验
1.2实验
1.3实验
二、实验设计
若实验内容皆为指定内容，则此部分则可省略；若实验内容包括自主设计模型等内容，则需要在此部分写明设计思路、流程，并画出模型图并使用相应的文字进行描述。
三、实验环境及实验数据集
简单介绍实验环境和涉及的数据集
四、实验过程
实验过程包括在编写代码时一些需要注意的事项，可附代码片段进行说明；还应该包括在训练模型时进行的一些步骤、参数设置等内容。
注：为了代码片段尽量的美观、统一，建议附代码片段时只附加关键的片段，不要全部粘贴，并尽量使用下面提供的网站进行代码高亮等格式转换后再粘贴。
http://www.planetb.ca/syntax-highlight-word
4.1实验
4.2实验
4.3实验
五、实验结果
实验结果包括程序运行结果以及对结果的分析，尽量用图表展示实验结果，并且通过结果进行相关的分析。
5.1结果
5.2结果
5.3结果
六、实验心得体会
这部分主要包含自己做实验过程中遇到的困难以及解决办法，通过做实验自己有哪些收获和体会，以及不足等等。
七、参考文献
参考文献主要包含实验过程中涉及到的参考资料或者借鉴别人的材料等，如果没有可以不写。
八、附录
需要补充说明的内容，如无可略。
实验报告编写要求
1.正文要求小四号宋体，行间距1.5倍；
2.英文要求小四号Times New Roman；
3.在实验内容、实验过程、实验结果三部分需要针对当次实验不同的实验内容分别填写（模版以实验一为例），实验设计中如有必要也可以分开填写；
4.实验报告配图的每幅图应有编号和标题，编号和标题应位于图下方处，居中，中文用五号宋体；
5.表格应为三线表，每个表格应有编号和标题，编号和标题应写在表格上方正中，距正文段前0.5倍行距。表格中量与单位之间用“/”分隔，编号与标题中的中文用五号宋体；
6.图、表、公式、算式等，一律用阿拉伯数字分别依序连续编排序号。其标注形式应便于互相区别，可分别为：图1、表2、公式(5)等。
点击咨询 