数据仓库与数据挖掘课程设计样本

通信与信息工程学院

数据仓库与数据挖掘分析课程设计

班级：

XXXX

姓名：

XXX

学号：

xxxxxx

指引教师：

XXXXX

设计时间：

XXXXX

成绩:

评语:

通信与信息工程学院

二。一X年

工作完毕登记表:

成员完毕任务阐明n教师评估

评

XX1.聚类分析和关联分析建模2

2.有关图表分析

3.撰写有关内容报告

3、撰写有关内容报告

XX1.决策分析和聚类分析挖掘建4

模

2有.关图表分析

3.撰写有关内容报告

3、撰写有关内容报告

XXX1、顺序分析与聚类分析模型4

和目的邮递方案

2、有关图表分析解决

3、撰写有关内容报告

XX1、聚类分析和决策分析模型

2、撰写有关内容报告

3、有关图表分析解决

教师签

名：

目录

1.绪论...........................................................1

1.1项目背景......................................................1

1.2提出问题......................................................1

2.数据仓库与数据集市概念简介...................................1

2.1数据仓库简介..................................................1

2.2数据集市简介..................................................2

3.数据仓库.......................................................3

3.1数据仓库设计..................................................3

3.1.1数据仓库概念模型设计....................................4

3.1.2数据仓库逻辑模型设计....................................5

3.2数据仓库建立..................................................5

3.2.1数据仓库数据集成........................................5

3.2.2建立维表8

4.OLAP操作.........................................................10

5.数据预解决.......................................................12

5.1描述性数据汇总...............................................12

5.2数据清理与变爽...............................................13

6.数据挖掘操作.....................................................13

6.1关联规则挖掘.................................................13

6.2分类和预测..................................................17

6.3决策树建立...................................................18

6.4聚类分析.....................................................22

7.总结.............................................................25

8.任务分派.........................................................26

1、绪论

L1项目背景

在当前大数据时代，各行各业需要对商品及有关关节数据进行收集解决,

特别零售行业，于公司对产品市场需求进行科学合理分析，从而预测出将来市

场，制定出高效决策，给公司带来经济收益。

1.2提出问题

对于超市商品购买时期和购买数量如何决定，才可以使销售量最大，不积压商

品，不缺货，对不同步期季节和不同人群制定不同方案，使公司收益最大，通

过数据挖掘对数据进行决策树分析，关联分析，顺序分析与决策分析等可以制

定出最佳方案。

2.数据库仓库与数据集概念简介

2.1数据仓库

数据仓库简介：

数据仓库是为公司所有级别决策制定过程提供支持所有类型数据战略集合。

它是单个数据存储，出于分析性报告和决策支持目而创立。为公司提供需要业

务智能来指引业务流程改进和监视时间、成本、质量和控制。

数据仓库是决策系统支持（dss）和联机分析应用数据源构造化数据环境。

数据仓库研究和解决从数据库中获取信息问题。数据仓库特性在于面向主题、集

成性、稳定性和时变性。

数据集简介：

3、数据集是指一种由数据所构成集合。Dataset（或dataset）是一种数

据集合，普通以表格形式浮现。每一列代表一种特定变量。每一行都相应于某一

成员数据集问题。它列出价值观为每一种变量，如身高和体重一种物体或价值随

机数。每个数值被称为数据资料。相应于行数，该数据集数据也许涉及一种或各

种成员。

4、数据仓库

3.1数据仓库设计

3.1.1数据仓库概念模型设计

概念模型设计是整个概念模型开发过程三阶段。设计阶段根据概念模型分析以

及分析过程中收集任何数据，完毕星型模型和雪花型模型设计。如果仅依赖ERD.

那只能对商品、销售、客户主题设计成如图所示概念模型。这种模型适合于老式

数据库设计，但不适合于数据仓库设计。

3.1.2数据仓库逻辑模型设计

逻辑建模是数据仓库实行中重要一环，由于它能直接反映出各个业务需求，

同步对系统物理实行有着重要指引作用，它作用在于可以通过实体和关系勾勒

出公司数据蓝图，数据仓库逻辑模型设计任务重要有：分析主题域，拟定要装

载到数据仓库主题

、确认粒度层次划分、确认数据分割方略、关系模式定义和记录系统定义、确认

数据抽取模型等。

逻辑模型最后设计成果涉及每个主题逻辑定义，并将有关内容记录在数据仓库

元数据中、粒度划分、数据分割方略、表划分和数据来源等。

3.2数据仓库建立

3.2.1数据仓库数据集

普通说来,一种数据集市是按照某一特定部门决策支持需求而组织起来、针

对一组主题应用系统。例如,财务部拥有自己数据集市,用来进行财务方面报表和

分析,市场推广部、销售部等也拥有各自专用数据集市，用来为本部门决策支持提

供辅助手段。数据集市大都采用多维数据库技术,这种技术对数据分析而言也许

是最优，但必定不适合于大量数据存储，由于多维数据库数据冗余度很高。为了提

高速度,对数据集市中数据普通都建立大量索引。换言之,数据集市中往往靠对数

据预解决来换取运营时高速度，当业务部门提出新问题时:如果不在本来设计范

畴内，则需要数据库管理员对数据库作许多调节和优化解决。

3.2.2建立维表

维是分析问题角度，度量是要分析问题。

多维视图：用包括度量和维表数据构造可以创立一种多维视图，用试题和维创

立多维模型称为星型模型，星型模型生成重要表格被称为事实表。事实表属性值

几乎均有持续值。事实表是规范化。与维表不同不是随时间推移变化，而是不断

变大。

维表：星型模型也具备非常小表，用来装载描述信息。维表是逆规范化。如果把

维表置于第二范式中，这样表称为雪花模型。

维表涉及主键，普通相应事实表外部键。如果维表主键不在实事表中，这个主键

字便被称作退化维。

维表分类：（1）构道维：表达在层内构成中信息量度。如客户地理位置维、

时间维、产品维等。构造维包括一组有关成员，构成构造维属性之间有一对多关

系。加法度量：可以相加属性值⑵信息维：计算字段如利润额、平均值等（每

个商品利润）。（3）分区维：以同一构造生成两个或各种维。如：准时间分区，

预测额度、实际额度等。（4）分类维：通过对一种维属性值分组而创立。如果工

资收入500-；200-4000；5000-7000；等

创立维表：有3种办法：星型模型、雪花模型和星暴模型。星暴模型具两

张以上事实表。基本有些充当维事实表。

4.星型模型：所有信息维都放在同一种维表中。维表信息包括•种唯一标记符

（ID）和通过这个维表建立所有维所需属性。星型模型由小维表与大事实表构成,

多称为“小表和大表”。事实表普通是原则表。

5.雪花模型：把信息分为3种原则格式。产品表、类别表、子类别表。把这些

信息放到一起需要一定数据连接。雪花模型比星型模型效率低，占空间少。所有

事实表均有一种与之有关时间维表。

6.OLAP操作

联机分析解决（OLAP）系统是数据仓库系统最重要应用，专门设计用于支持复杂

分析操作，侧重对决策人员和高层管理人员决策支持，可以依照分析人员规定

迅速、灵活地进行大数据量复杂查询解决，并且以一种直观而易懂形式将查询成

果提供应决策人员，以便她们精确掌握公司（公司）经营状况，理解对象需求，

制定对的方案。OLAP呈当前顾客面前是一幅幅多维视图。

维（Dimension）:是人们观测数据特定角度，是考虑问题时一类属性，属性集

合构成一种维（时间维、地理维等）。

维层次（Level）:人们观测数据某个特定角度（即某个维）还可以存在细节限

度不同各个描述方面（时间维：日期、月份、季度、年）。

维成员（Member）：维一种取值，是数据项在某维中位置描述。（“某年某月某日”

是在时间维上位置描述）。

度量（Measure）:多维数组取值。

OLAP基本多维分析操作有钻取（Drill-up和Drill-down）、切片（Slice）和切

块（Dice）、以及旋转（Pivot）等。

7.钻取：是变化维层次，变换分析粒度。它涉及向下钻取（Drill-down）和向

上钻取（Drill-up）/上卷（Roll-up）。Drill-up是在某一维上将低层次细节数

据概括到高层次汇总数据，或者减少维数；而Drill-down则相反，它从汇总数

据进一步到细节数据进行观测或增长新维。

8.切片和切块：是在一某些维上选定值后，关怀度量数据在剩余维上分布，如

果剩余维只有两个，则是切片；如果有三个或以上，则是切块。

9.旋转：是变换维方向，即在表格中重新安排维放置（例如行列互换）

10.数据预解决

5.1描述性数据汇总

对于许多数据预解决任务，但愿懂得关于数据中心趋势和离中趋势特性。中心

趋势度量涉及均值（mean）、中位数（median）、众数度ode）和中列数（midrange）,

而数据离中趋势度量涉及四分位数（quartiles）、四分位数极差（interquartile

range,TQR）和方差（variance）o这些描述性记录量有助于理解数据分布。

5.2数据清理与变换

数据清理例程通过填写缺失值、光滑噪声数据、辨认或删除离群点并解决不一致

性来“清理”数据。重要是达到如下目的：格式原则化，异常数据清除，错误纠

正，重复数据清除。

通过平滑汇集，数据概化，规范化等方式将数据转换成合用于数据挖掘

形式。

6.数据挖掘操作

个人两个作业:

6.1关联规则挖掘

1)需求分析

关联规则挖掘是数据挖掘和知识发现中一种重要问题，自提出以来得到了广泛

研究.当前关联规则挖掘算法可以分为广度优先算法和深度优先算法两大类，每类

均有典型高效算法提出.但是，这些算法大都是从其自身角度来描述，缺少系统分

类和比较.文章从关联规则挖掘形式化定义出发,给出频集挖掘解空间，对两大类

算法中几种典型算法进行了概述，并分析了它们优缺陷.

2)概要设计

3)关联规则挖掘过程重要包括两个阶段：第一阶段必要先从资料集合中找出所

有高频项目组(FrequentItemsets),第二阶段再由这些高频项目组中产生关轶规

则(AssociationRules).

4)关联规则挖掘第一阶段必要从chaoshi集合中，找出所有高频项目组。高频

意思是指某一项目组浮现频率相对于所有记录而言，必要达到某一水平。一项目

组浮现频率称为支持度，以一种包括A与B两个项目2-itemset为例，咱们可以

经由公式求得包括｛A,B｝项目组支持度，若支持度不不大于等于所设定最小支持

度(MinimumSupport)门槛值时，则｛A,B｝称为高频项目组。一种满足最小支持度

k-itemset,则称为高频k-项目组(Frequentk-itemset),普通表达为Largek或

Frequentk。算法并从Largek项目组中再产生Largek+1,直到无法再找到更

长高频项目组为止。

5)详细设计

•在准备用于关联规则模型数据时，应理解特定算法规定，其中涉及所需

要数据量以及使用数据方式。关联规则模型规定如下：

•单个key列每个模型都必要包括一种数值或文本列，用于唯一标记每个

记录。不容许复合键。

单个可预测列一种关联模型只能有一种可预测列。普通它是嵌套表键列，例如

列出已购买产品字段。这些值必要是离散或离散化值。

输入列输入列必要为离散列。关联模型输入数据普通包括在两个表中。例如，

一种表也许包括客户信息，而另一种表也许包括客户购物状况。您可以使用嵌

套表将该数据输入到模型中。关于嵌套表详细信息，请参阅嵌套表（Analysis

Services-数据挖掘）。

支持”（有时候将其称为“频率”）表达包括目的项目或项目组合事例数目。只

有至少具备指定支持量项目才可包括在模型中。

“惯用项集”指满足如下条件项目集合：该项目集合所具备支持超过由

MINIMUM_SUPPORT参数定义阈值。例如，如果项集为｛A,B,C｝并且每一种

MINIMUM_SUPPORT值为10,则每个单个项目A.B和C必要均可在要涉及在模

型中至少10个事例中找到，并且项目｛A,B,C｝组合也必要可在至少10个事

例中找到。

注意通过指定项集最大长度（这里长度指项目数目），还可控制挖掘模型中项

集数目。

默认状况下，对任何特定项目或项集支持均表达包括该项目或项集事例计

数。但是，还可以将MINIMUM_SUPPORT表达为占数据集总事例比例，办法是键

入数字作为不大于1小数值。例如，如果指定MINIMUM_SUPPORT值为0.03,

就意味着至少有3%数据集总事例必要包括该项目或项集以包括在模型中。应当

试用模型，以拟定是使用计数还是比例更故意义。

恰恰相反，规则阈值不用计数或比例表达，而用概率（有时称为“置信度”）

表达。例如，如果项集｛A,B,C｝和项集｛A,B,D｝均出当前50个事例中，而项

集｛A,B｝出当前此外50个事例中，则很明显，｛A,B｝不是｛C｝强预测因子。

因而，为了将某个特定成果对所有己知成果加权，AnalysisServices通过如下

办法来计算单个规则（例如If｛A,B｝Then｛C｝）概率:用对项集｛A,B,C｝支持

除以对所有有关项集支持。

可以通过设立M1N1MUM_PROBAB1L1TY值来限制模型生成规则数目。

AnalysisServices为创立每个规则输出一种批示其“重要性”（也称为“提

高”）分数。项集和规则提高重要性计算办法不同。

项集重要性计算办法为项集概率除以项集中各个项合成概率。例如，如果顶集包

括{A,B},AnalysisServices一方面计算包括此A和B组合所有事例数目，

并用此事例数除以事例总数，然后将得到概率规范化。

规则重要性计算办法为：在已知规则左侧状况下，求规则右侧对数也许性

值。例如，如果规则为If{A}Then（B）,则AnalysisServices计算具备A

和B事例与具备B但不具备A事例之比，然后使用对数刻度将该比率规范

化。

功能选取

•Microsoft关联规则算法不执行任何一种自动功能选取，而是提供

参数来控制其自身使用数据。上述状况也许涉及对每个项集大小限制，或对

将项集添加到模型中所需最大和最小支持设立。

•若要筛选出太常用因而不受关注项目和事件，请减小MAXIMUM_SLPPORT

值以将常用项集从模型中删除。

•若要筛选出罕见项目和项集，请增大MIN：MLM_SUPPORT值。

•若要筛选出规则，请增大MINIMUM_PROBABILITY值。

重要环节：

（1）定义多维数据集

在该任务中，将使用多维数据集向导来定义一种初始AnalysisServices多维

数据集。□□

(2)定义维度,向维度中添加属性,

在该任务中，将使用维度向导来定义维度。定义维度层次构造,,

・二

・商M分类表

三支盅三宅三期

5交名移工关芭晶苧V

笥。

H主之量

.二

(3)修改度量值，和增长新度量值

在此任务中，为多维数据创立新命名计算

/Chaoshidsv［谶］*19.dim［的］|Chaoshixube商品信息表dim［设计］苗售流水表-1019；

维度结构|区寓性关系翻译|殴献途__________________________________________________________________

SI［1▼XI图・|〉®▼曳，

属性层次结构数据源视图

m商品值息裹

品

商□

掰

名

规

格

分

类

编

号

产

地

品质

单价

优售^

.jd案蚩度量值I<=□IIaIIg

，三法(U):

源表(T)：品品表

白遍吗~~

源列(C):

H在建名称

HF3

也显示所有到(S)

定义操作，钻取

使用管理角色

二口A9»U«JW-

具有g邑的用户瞒成员将在与此角色美&的所杳An*lyxi»Strict*对％!中确用!校。--_Ch・o6卜gib，

选声用户或陶-F百

通次险汽当，土

为£0色《iff用闪曲

用户或内置安公体

置蝇蛇B).

HL-2OI3IO23MVRggo.)..|

?JC)

位即直就qI

停止于'

物?海果00

名称8W所在文件关

(7)布置AnalysisServices项目

AnalysisServices项目2

殖(A)

成果分析

关联规则挖掘第二阶段是要产生关联规则(AssociationRules)。从高频产生

关联规则，是运用前一环节高频k-项目组来产生规则，在最小信赖度条件门槛下,

若一规则所求得信赖度满足最小信赖度，称此规则为关联规则。例如：经由高频

k-项目组｛A,B｝所产生规则AB,其信赖度可经由公式求得，若赖度不不大于等于

最小信赖度，则称AB为关联规则。

就chaoshi而言，使用关联规则挖掘技术，对交易资料库中纪录进行资料挖

掘，一方面必要要设定最小支持度与最小信赖度两个门槛值，在此假设最小支持

度min_support=5%且最小信赖度min_confidence=70%o因而符合此该超市

需求关旅规则将必要同步满足以上两个家件。若通过挖掘过程所找到关联规则

「购买数量，购买商品序号」，满足下列条件，将可接受「购买数量，购买商品

序号」关联规则。

21251购买商品序号1<2.8664094844

18821购买数里<2.828125

18762购买数里<2.828125,购买商品序号1<2..

14081总额<6.85209726

14032总额<6.85209726,购买商品序号1<2.86.

13442总额<6.85209726,购买数里<2.828125

13393总额<6.85209726,购买数里<2.828125,.

9911短曰期=2003/6/1921:30:43-2003/6/27.

9882短日期=2003/6/1921:30:43-2003/6/27.

8632短日期=2003/6/1921:30:43-2003/6/27.

8603短日期=2003/6/1921:30:43-2003/6/27.

7521商品［D<1004176.40742257

7502商品工D<1004176.40742257,购买商品序号.

5）从上面简介还可以看出，关联规则挖掘普通比较合用与记录中指标取离散值

状况。如果原始数据库中指标值是取持续数据，则在关联规则挖掘之前应当进行

恰当数据离散化（事实上就是将某个区间值相应于某个值），数据离散化是数据

挖掘前重要环节，离散化过程g否合理将直接影响关联规则挖掘成果。

6）提交结论和执行成果

挖掘结构的数据论口利洞图：箱曾发水哀-1020门店2

嗓

底掘结构的初据挖候提升图：俏包淡水表7020门店2

—

一一一

—----------

一一-1

―一一一」一一

__「一—-

I.4A>s।-zvi-i-刀、/rJ,,八r—JHHHJSIAXALL，VJF=./TH，U

当摆放在一起提高销售量，哪些产品应当恰当促销提高收入。同步还

做了会员丢失率和会员贡献度，平均交易间隔时间和次数等问题分

析，

设计思路：将数据导入sqlserver中后，可以运用analysisservers对数据进

行操作，进行多维数据集创立及维度表等有关操作，同步运用MDX

及sql语言来发掘数据关联，得到有关问题答案。

工作流程：1.将chaoshi.xlx表格中数据导入sqlserver公司管理器中chaoshi

数据库中；

凌冬▼剪皱■Y囱区

臼Ijchaoshi

®一I款据专元系至

0LJB

S匚2系统表

®mdb。.前陛表

[±ndb。.商品分美表

£二dbo.商品信息表

Sndbo.铜售流水表-1019

£口dbo.卷售汽水表-1020门W

£口db。.'锂售沆水表-1021门N

国口忒茎

±a同义词

+一।可演程也

®LJServiceBroker

±-存啮

®a安全性

\±]UReportServer

2.将chaoshi数据源在analysis里面更新;

服务器名(E):

localhost▼周新(R)

登录史运务器

o要用Windows要份聆：iE(W)

O,克下SQLServer赛王(Q)

用户名(U):|

密码(P)：______________________________________________________

□保存空码⑸

途东更一菽声看

修送您或建入一个款短车名(D):

chaoshi▼

。附加一个;J提浮文件(H):

浏览(B)...

3.创立chaoshi多维数据集;

多维数婚藻构画维度法|计算度牌操作险分区国工聚合|金通校|◎翻译|@浏览善

1atS♦0

稿।蹒皿T包楞IX♦川口ElaQbtJ▼

度里值

aChaoshi

+1JO(码品信息表

1商品信息表

单

价a

税

售

消

R

PS

山£J商品分类衰

条

肥

码?分类端招

编

品

咫分类名称

4

Fl

“5

"

6

7

F1

▼

维度

+1tx商品信息表色口品庶袤I

品牌名掰

F3

川厂:即厂:川|厂口匚:川中:田花中山

4.咱们采用星型构造创立维度，因而要创立事实表和维度表;

皖决方案资源苣差器

喷L母

」chaoshil

®-」3源

自“O款局源视笑

•…©]Chaoshi.dsv

□-Cjf冬燃;5舄美

…％Chaoshi.cube

□-2逐度

…匕品牌表dm

…”巳商品分美表.dim

…U销售流水表・1020门店dm

一（/商品售"dm

®-匕您南t

白…〉角三

5.创立多维数据集成功后进行存储设计解决;

6.解决完毕之后，在“解决进度”和“解决挖掘构造-顺序分析和聚类分析”

对话框中，单击“关闭”。

在，”顺序分析和聚类分析”模型已经生成，可以使用数据挖掘设计器“挖掘模

型查看器”选项卡中Microsoft顺序分析和聚类分析查看器浏览该模型了。

Microsoft顺序分析和聚类分析查看器涉及五个选项卡：“分类关系图”、“分类

剖面图”、“分类特性”、“分类辨别”和“状态转疾”。

“分类关系图”选项卡“分类关系图”选项卡以图形方式显示在数据库中发现

算法分类。关系图中布局表达分类之间关系，其中相似分类分在一起。默认状况

下，节点颜色明暗度表达分类中所有事例密度，节点越暗，包括事例越多。可以

更改节点明暗度代表含义，使其表达属性和状态。例如，在“明暗度变量”列表

中选取“模型”，并在“状态”列表中选取“购买商品序号二

定度58%状态

77

所指诂格F)

EK3

o

最触辘

用料价格

我丛in

帕买◎晶呼号饰日期

7.“分类剖面图”选项卡”分类剖面图”选项卡显示每个分类中存在序列。分

类列在“状态”列右边单个列中。在查看器中，Model.samples行表达序列数据,

Model行阐明了分类中各项总体分布。Model,samples行每个单元中颜色序列每

个线条表达分类中随机选中顾客行为。单个序列直方图中每个颜色代表一种模

型。

8.分类特性”选项卡“分类特性”选项卡汇总了分类中各状态间转换，其中各

栏阐明了所选分类属性值重要性。例如，在分类4中，其中一种最重要特性是

客户倾向于先在4月进行购物。

分类辨别”选项卡使用“分类辨别”选项卡，可以比较两个分类，拟定模型及

其倾向分类。该选项卡涉及四个列：“变量”、“值”、"分类1”和“分类2”。如

果分类倾向于特定模型，则在“变量”列中相应模型行“分类1”或“分类2”

列中将浮现一种蓝条。蓝条越长，模型越倾向于该分类。例如，在查看器中使用

“分类辨别”选项卡，可以通过在“分类1”中选取分类2以及在“分类2”

中选取分类5,来比较分类2和分类5o

状态转换”选项卡在“状态转换”选项卡上，可以选取分类并浏览其状态转换。

每个节点都表达模型一种状态。线条表达状态间转换，每个节点都基于转换也许

性。背景色表达分类中节点频率。例如，从“分类”中选中“分类3”，选中

商品ID节点，然后将“所有链接”滑块减少几格。

6.3聚类分析

设计内容：依照超市既有数据，用决策树、聚类分析等分析办法分析出哪些条件

对顾客购买商品影响，哪些产品销量最佳，哪些产品应当摆放在一

起提高销售量，哪些产品应当恰当促销提高收入。平均交易间隔时间

和次数等问题分析，

设计思路：将数据导入sqlscrvcr中后，可以运用数据挖掘教材对数据进行操作,

进行数据挖掘，数据模型设计等有关操作，同步运用它对数据决策

树设计，聚类分析等分析数据间关系。

工作流程：1.将超市execel表格中数据导入sqlserver公司管理器

中sqlserver数据库中；

2.将超市数据源在analysis里面更新；

3.创立超市数据挖掘模型。

4.一方面是对两个表销售流水表和品牌表进行模型设计。

5.创立多维数据集成功后进行存储设计解决；

6.浏览创立好数据挖掘模型下钻；

7.创立决策树、聚类分析数据挖掘模型，分析超市如何运用OLAP和

依赖性分析来理解顾客购买习惯和商品之间关联，对的摆放商品位置以及如何

运用促销手段对商品进行销售。

1.销售流水表

（聚类分析）分类关系图

状恋:ZJ

斫有雕

o

最强摄接

从图中可以看出只有分类5和分类8只有最强关联性，无论两个关系如何变化,

只要有5商品则必然有8商品，所有链接关系越大，则她们关系越复杂。各个商

品关系也越来越明确。

分类剖面图

从分类剖面图可以看出各个商品在总商品中所占比例，为咱们分析数据提供一

定以便。

分类特性

恃征总体建部）

变里值概率

商品ID]1,034,631.4-1,044,496.4=

商品ID1,024,766.5-1,034,631.4=

消售价格19.7-36.4

消售价格3.0-19.7=

购买数量-1.0-4.2

购买数里4.2-9.4=

购买数里9.4-27.3=

销售价格36.4-94.1

商品ID1,000,572.0-1,024,766.5.

购买数里-10.0--1.0

商品工D1,044,496.4-1,049,156.0.

消售价格0.4-3.0

该表展示了所有商品属性在所有类型中所占比例，从而分析各个属性影响因素。

分类对比

耀值候向于分类I砺司于丰分类1

电买物更0.7-2.5

居1,019.0

域品n1,042,454.7-1,O48,8S6.8

电买数里2.5-120.0

品ID1,00,572.0-1,0峪4s47

电买翱里-10.0-0.7

6.4决策树

决策树关系图

依赖关系网络

表达了商品id和购买数量绝对关系，及无论如何这两个都从在一定关系。

2.品牌表

（聚类分析）分类关系图

最强锢接

分类剖面图

从图中可以看出只有分类和分类3只有最强关联性，无论两个关系如何变化，只

要有2商品则必然有3商品，所有链接关系越大，则她们关系越复杂。各个商品

关系也越来越明确。

分类特性

恃征分类3

变里(f概率

品牌名称缺失

品牌名称香山1

品牌名称超威1

品睥名称西兰1

品牌名称雅洁1

品牌名称三禾1

品牌名称中南1

品牌名称相思玲1

品牌名称麦宝1

品牌名称华萍1

品牌名称金鸡1

品牌名称兴北1

品牌名称怡达1

品牌名称顺风1

品牌名称金葵1

品牌名称佳宝1

品牌名称三和1

品牌名称华丰1

1

从分类剖面图可以看出各个品牌在总商品中所占比例，为咱们分析数据提供一

定

分类特性以便

分类对比

行类2和非分类2的对比分数

关里值简向于分类2倾向于丰分类2

品牌名称

品牌名称奥克迈・

品牌名称临高■

品牌名称熨得佃■

品虎名称阿香婆■

品坟名称西兰■

品牌名称关机