数据挖掘在商业管理与决策分析之实例应用
数据挖掘与分析技术在市场营销和商业决策中的应用
数据挖掘与分析技术在市场营销和商业决策中的应用随着信息时代的到来，数据分析的重要性变得日益突出。
数据挖掘与分析技术作为一种能够从大量数据中发现隐藏信息、揭示潜在规律并做出预测的工具，被广泛运用于市场营销和商业决策领域。
本文将探讨数据挖掘与分析技术在市场营销和商业决策中的应用。
一、市场营销中的数据挖掘与分析技术应用1.市场细分和目标客户识别在现代营销中，不同的消费者有着不同的需求和偏好。
数据挖掘与分析技术可以通过对大量的市场数据进行聚类分析、关联规则挖掘等方法，将消费者划分为不同的细分市场，并确定潜在的目标客户群体。
通过对这些目标客户的特征进行分析，企业可以制定更加精准的市场推广策略，提高市场营销效果。
2.产品定价和促销策略优化数据挖掘与分析技术可以通过对市场历史数据的挖掘，分析产品价格与销量之间的关系，找出最佳的价格策略。
同时，它还可以通过对促销活动数据的分析，确定哪种促销方式对不同的消费群体更加有效。
这些分析结果有助于企业优化产品定价和促销策略，提升销售业绩。
3.市场预测和趋势分析通过数据挖掘与分析技术，企业可以对过去的市场数据进行挖掘，并建立相应的预测模型，对未来市场走势进行预测。
这对企业制定合理的市场规划、产品研发和生产计划具有重要意义。
同时，趋势分析可以帮助企业及时捕捉市场的变化，调整营销策略，提高市场竞争力。
二、商业决策中的数据挖掘与分析技术应用1.市场竞争对手分析企业在面临激烈的市场竞争时，需要对竞争对手的行为进行分析和评估。
数据挖掘与分析技术可以对竞争对手的销售数据、市场反应等进行挖掘与分析，帮助企业了解竞争对手的策略和优势，并做出相应的应对策略，保持自身的竞争优势。
2.风险预警和管理在商业决策过程中，风险管理至关重要。
数据挖掘与分析技术可以通过对企业内部和外部数据的挖掘，发现潜在的风险因素，并提前做出预警。
这有助于企业及时采取措施，降低风险损失。
3.客户关系管理(CRM)数据挖掘与分析技术在客户关系管理中发挥着重要作用。
大数据分析的数据挖掘技术与商业智能应用案例分析
大数据分析的数据挖掘技术与商业智能应用案例分析随着信息技术的迅速发展和智能化水平的提高，大数据分析正逐渐成为企业决策和商业竞争的关键。
在大数据时代，如何通过高效的数据挖掘技术，并充分应用商业智能，对海量数据进行深入分析，成为了企业获取竞争优势的重要手段。
本文将通过几个案例，来分析大数据分析的数据挖掘技术与商业智能的应用。
案例一：零售领域的用户价值分析一个零售企业希望通过数据分析来了解其客户群体的特征和行为习惯，以更好地制定销售策略和优化产品组合。
首先，该企业通过收集大量的销售数据、会员数据和社交媒体数据，建立了一个综合数据库。
然后，利用数据挖掘技术，对这些数据进行分析和挖掘，找出用户的行为模式和购买偏好。
通过对用户进行聚类分析，该企业成功将客户分为不同的群体，并确定每个群体的特征和需求。
最终，该企业能够根据用户群体的特征，针对性地进行产品推荐和促销活动，提高销售额和客户满意度。
案例二：金融领域的风险预测与控制一家金融机构希望通过数据分析来提高风险管理水平，预测和控制贷款违约的风险。
通过收集大量的贷款数据、借款人信用报告和外部市场数据，该机构建立了一个包含多种指标的风险评估模型。
然后，利用数据挖掘技术，对这些数据进行分析和挖掘，识别出影响贷款违约的主要因素。
通过建立预测模型，该机构能够根据借款人的个人特征和市场环境，对贷款违约风险进行准确预测。
通过及时调整贷款策略和风险控制措施，该机构能够有效降低贷款违约率，提高贷款业务的盈利能力。
案例三：物流领域的运输路线优化一家物流公司面临着如何合理规划运输路线、减少运输成本的挑战。
该公司通过收集大量的运输数据、地理信息数据和天气数据，建立了一个运输网络模型。
然后，利用数据挖掘技术，对这些数据进行分析和挖掘，找出影响运输效率和成本的主要因素。
通过建立优化模型，该公司能够根据货物重量、运输距离和道路状况等因素，自动规划最佳的运输路线。
通过优化运输路线，该公司能够提高物流效率，降低运输成本，提升市场竞争力。
大数据分析在商业决策中的应用案例分析
大数据分析在商业决策中的应用案例分析摘要：随着信息技术的快速发展，大数据分析在商业决策中的应用越来越受到重视。
本文通过对几个不同行业的实际案例分析，探讨了大数据分析在商业决策中的应用价值和效果，并总结了相关经验和启示。
引言：大数据是指由于数据量过大、数据类型多样、数据生成速度快等特点所形成的数据集合。
大数据分析是利用各种技术和工具对大数据进行处理、分析和利用的过程。
在如今信息爆炸时代，大数据分析已经成为企业进行决策的重要依据之一。
本文将通过几个实际案例进行分析，以展示大数据分析在商业决策中的应用。
案例一：零售业务销售数据分析某零售企业面临着销售额下滑的问题，通过对海量销售数据进行分析，发现产品组合的不合理导致销售不畅。
于是公司采用大数据分析技术，结合了销售数据、市场趋势以及顾客偏好等多个指标，建立了一套广告推送系统。
该系统根据不同的消费者群体细分，为顾客提供个性化的产品推荐。
这一改变使得销售额大幅提升，公司重新找到了增长点。
案例二：金融风险评估分析某银行在进行贷款审批时存在风险评估不准确的问题。
通过大数据分析技术，银行整合了多个数据源，包括个人信用记录、社交网络数据、财务数据等进行综合评估。
通过挖掘和分析这些数据，银行能够更准确地评估客户的信用风险，并制定更为合理的贷款政策。
这项技术的应用大幅降低了坏账率，提高了银行的盈利能力。
案例三：物流运输效率提升一家物流公司存在运输不准时、配送效率低下的问题。
通过大数据分析技术，该物流公司收集了大量的运输数据，并结合交通和天气等相关信息，建立了物流运输预测模型。
通过对这些数据进行分析，该公司能够及时发现运输中存在的问题，并对运输路线和配送计划进行调整，提高了运输效率和准时配送率。
案例四：健康保险市场调研一家保险公司希望了解客户的健康状况和需求，以更好地开发和推销健康保险产品。
通过大数据分析技术，保险公司收集了大量的健康相关数据，包括个人健康档案、医疗数据等等。
决策管理-数据挖掘在商业管理与决策分析之实例应用课件(PPT57页)
• 类神经网络、模糊逻辑、基因算法、基因规画、 案例库 推理法、规则库推理、统计回归等
• 知识表现
• 决策树 、法则、定量数学公式、黑箱公式 等
Data mining主要功能与技术
功能
技术
适用领域
关联性 (Association) 案例库推理/集合理论/统计
菜篮分析
时间序列 (Sequence) 类神经网络/统计
Integer
年齡
Integer
職業別
List
郵遞區號
Integer
儲蓄率
Integer
購買潛力
Character
(predicted outcome)
F: Female; M: Male Y: Married; N: Single: U: Unknown Range: [1..8] Range: [1..70] Range: [1..10] Three-digits zip code Range: [1..27] Y: Yes; N: No
• 调查 ( Investigation ) – 分析提供者的分数和详细的赔偿数据
買 6 日 RSI
入 6 日 股價BIAS
規 6 日 成交量BIAS
則 13 日 心理線
持有期間
買
投資次數
入
投資率
結
正確數
果
正確率
每筆報酬率
總報酬率
傳統判斷
GA
買 1 買 2 買 3 買 4 買 5 訓練 測試
84.1.5
85.1.4 84.1.5 85.1.4
84.12.30
85.8.31 84.12.30 85.8.31
0
4
数据挖掘算法在商业领域的应用和实践
数据挖掘算法在商业领域的应用和实践随着信息时代的到来，大数据已经成为商业领域的一项重要资源。
然而，仅仅拥有大量的数据并不能带来商业价值，而是需要通过数据挖掘算法的应用和实践来发掘其中的潜在价值。
本文将探讨数据挖掘算法在商业领域的应用和实践，并分析其对商业决策的影响。
首先，数据挖掘算法在市场营销中的应用十分广泛。
通过对大量的市场数据进行分析，企业可以了解消费者的需求和偏好，从而更好地制定营销策略。
例如，通过对消费者购买行为的分析，企业可以发现消费者的购买习惯和喜好，进而针对性地推送个性化的广告和促销活动。
这不仅可以提高企业的销售额，还可以提升消费者的购物体验，实现双赢。
其次，数据挖掘算法在供应链管理中也发挥着重要作用。
通过对供应链数据的挖掘和分析，企业可以实现对供应链的优化和管理。
例如，通过对供应链中的库存数据进行分析，企业可以合理安排库存，减少库存积压和滞销的情况，降低企业的运营成本。
此外，通过对供应链中的物流数据进行分析，企业可以优化物流路径和运输方式，提高物流效率，缩短产品的交付时间，提升顾客满意度。
另外，数据挖掘算法在金融领域的应用也非常广泛。
金融机构拥有大量的客户数据和交易数据，通过对这些数据的挖掘和分析，可以发现潜在的风险和机会。
例如，通过对客户的信用卡消费数据进行分析，银行可以识别出潜在的信用卡欺诈行为，及时采取措施防范风险。
此外，通过对股票市场的数据进行分析，投资者可以发现股票的价格趋势和波动规律，从而制定更加科学的投资策略。
此外，数据挖掘算法还在人力资源管理中发挥着重要作用。
通过对员工的绩效数据和离职数据进行分析，企业可以了解员工的工作表现和离职原因，从而制定更加有效的人力资源管理策略。
例如，通过对员工绩效数据的挖掘，企业可以发现绩效优秀的员工，及时给予奖励和晋升机会，提高员工的工作积极性和满意度。
同时，通过对离职数据的挖掘，企业可以发现离职的主要原因，进一步改善工作环境和福利待遇，降低员工流失率。
数据挖掘在商业数据分析中的应用
数据挖掘在商业数据分析中的应用数据挖掘是一种从大量数据中提取出有用信息的方法。
在商业领域中，数据挖掘被广泛应用于数据分析，以帮助企业做出更明智的决策和实施更有效的营销策略。
本文将探讨数据挖掘在商业数据分析中的应用，并解析其对企业的重要性。
首先，数据挖掘在商业数据分析中的一个重要应用是市场细分。
通过利用数据挖掘技术，企业可以将广大消费者细分为不同的群体，以更好地了解他们的行为和需求。
这种细分有助于企业确定最有价值的客户群体，并开展有针对性的营销活动，从而提高销售额。
举例来说，在一家电子产品公司中，数据挖掘可以帮助识别出具有购买意愿的潜在客户，并制定个性化的促销计划，从而增加销售量。
其次，数据挖掘在商业数据分析中的另一个应用是预测性分析。
通过分析过去的数据和趋势，企业可以利用数据挖掘技术预测未来的市场发展和趋势。
这种预测性分析不仅可以指导企业在产品开发和市场投资上做出更明智的决策，还可以帮助企业预测客户需求的变化，并及时调整其业务模式。
例如，一家零售企业可以通过数据挖掘技术来预测产品需求的季节性变化，并相应地调整库存和供应链管理，以最大程度地提高效益。
此外，数据挖掘还可以应用于商业数据分析中的异常检测。
通过分析大量的数据，企业可以识别出与其他数据不符合的异常情况。
这些异常可能暗示着潜在的问题或商机。
例如，在网络安全领域，数据挖掘可以用于检测恶意行为或黑客攻击，并及时采取措施防范风险。
在银行业中，数据挖掘可以帮助发现异常的交易模式，以便及早发现并防止欺诈行为。
最后，数据挖掘还可以在商业数据分析中应用于用户行为分析。
通过分析用户的历史购买、浏览和搜索数据，企业可以了解用户兴趣和偏好，并据此调整产品，提供个性化的推荐和服务。
例如，在电子商务中，数据挖掘可以分析用户的购买行为，推荐适合他们的产品和优惠活动，并提供个性化的购物体验。
综上所述，数据挖掘在商业数据分析中的应用是多样而广泛的。
通过市场细分、预测性分析、异常检测和用户行为分析，企业可以更好地理解市场和客户需求，做出更明智的决策，并实施更有效的营销策略。
数据挖掘在商业中的应用
数据挖掘在商业中的应用商业界日益重视数据挖掘的应用，这是因为数据挖掘技术有助于企业从海量数据中发现隐藏的模式、趋势和规律，为决策提供有力的支持。
本文将重点探讨数据挖掘在商业中的应用，并分享一些成功案例。
一、销售预测和市场分析数据挖掘在商业中的一个重要应用领域是销售预测和市场分析。
通过挖掘和分析历史销售数据，企业可以预测未来销售趋势，识别最有潜力的市场，制定更精确的营销策略。
例如，一家零售商可以通过分析客户的购买习惯和行为模式，推测出某个产品在特定时间和地点的销量，从而决定进货量和定价策略。
二、客户细分和个性化推荐数据挖掘还可以帮助企业进行客户细分和个性化推荐。
通过分析客户的交易记录和行为数据，企业可以将客户分成不同的群体，并为每个群体设计相应的营销活动和推荐产品。
例如，一家电商网站可以根据用户的购买记录和浏览偏好，向其个性化推荐感兴趣的商品，提高购买转化率和用户满意度。
三、欺诈检测和风险管理数据挖掘在商业中还可以应用于欺诈检测和风险管理。
通过分析大量的交易数据和用户行为，企业可以识别潜在的欺诈行为和风险因素，及时采取相应措施进行预防和控制。
例如，一家银行可以通过数据挖掘技术检测信用卡交易中的异常行为，及时发现并阻止潜在的欺诈活动，降低风险损失。
四、供应链优化和成本控制数据挖掘还可以用于供应链优化和成本控制。
通过分析供应链相关数据，企业可以识别供应链中的瓶颈和优化空间，从而提高生产效率，降低运营成本。
例如，一家制造企业可以通过数据挖掘技术分析供应链中各个环节的效率和成本，找出影响生产效率和产品质量的关键因素，采取相应的改进措施，提高企业整体运营效率。
五、市场营销和广告优化数据挖掘在市场营销和广告优化中也有着广泛的应用。
通过分析大量的市场和广告数据，企业可以了解不同渠道和工具的效果，并根据数据结果调整市场推广策略。
例如，一家互联网公司可以通过数据挖掘技术分析用户的点击行为和广告响应情况，优化广告投放位置和内容，提高广告的点击率和转化率。
商业分析和数据挖掘的实际应用
商业分析和数据挖掘的实际应用随着大数据时代的到来，商业分析和数据挖掘在各行业中的应用越来越广泛。
商业分析是将数据转化为商业价值的过程，属于“从数据到决策”的一系列行为。
而数据挖掘则是运用人工智能技术和数据分析技术，挖掘、发掘数据中潜藏的知识，从而为决策提供支持和依据。
商业分析和数据挖掘的综合应用可以帮助企业更好地理解市场、顾客和产品，从而提高决策效率和市场竞争力。
电商行业在电商行业中，商业分析和数据挖掘主要应用于市场调研、营销策划和产品定价。
通过对用户购买记录、浏览行为和搜索记录进行深度分析，可以获得用户偏好、需求和兴趣，从而为电商企业创造更多商业机会。
例如，基于用户历史购买行为的商品推荐、基于用户搜索关键词的搜索推荐等都可以帮助增加用户购买转化率。
同时，商业分析和数据挖掘也可以通过对用户活跃度、留存率等指标进行跟踪和分析，帮助电商企业更好地掌握市场动态和用户趋势。
酒店行业在酒店行业中，商业分析和数据挖掘可以应用于房态管理、客户服务和营销推广等方面。
例如，通过对客户预订行为和评价数据的分析，可以了解客户偏好、需求和评价，从而优化房态分配、提高客户满意度和提升品牌影响力。
同时，商业分析和数据挖掘也可以帮助酒店企业预测客房需求量，制定优惠活动和营销策略，从而提高酒店客房的出租率和收益。
医疗行业在医疗行业中，商业分析和数据挖掘可以应用于医疗资源分配、疾病预测和药品研发等方面。
例如，基于患者疾病历史和生理指标数据的分析，可以帮助医疗机构预测疾病发生风险和诊断难度，从而优化医疗资源分配和提高治疗效果。
同时，商业分析和数据挖掘也可以帮助医疗企业加快新药研发和上市速度，通过对药品销售数据进行深度挖掘，了解市场需求和趋势，从而制定更加切实可行的研发和营销策略。
结语商业分析和数据挖掘是大数据时代最为重要的应用领域之一，无论是电商、酒店、医疗等各个行业都应用不断发展。
商业分析和数据挖掘不仅可以为企业提供更好的数据支持和决策依据，还可以帮助企业更加了解市场、顾客和产品，提高市场竞争力和盈利能力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
傳統判斷 買1 買2 買3 84. 5 1. 84. 30 12. 286 <20 <-4% <-4% <25 1日 1 0. 3% 0 0. 0% -0. 7% -0. 7% 賣1 >80 >+4% >75 1日 0 0. 0% 0 1日 225 78. 7% 131 58. 2% -0. 3% -60. 8% -0. 7% 45. 4% 6日 200 69. 9% 118 59. 0% -0. 9% -174. 0% 105. 6% 12 日 216 75. 5% 129 59. 7% -1. 6% 12 日 102 55. 4% 46 45. 1% 1. 0% 1日 11 3. 8% 4 36. 4% -1. 4% -15. 4% 賣2 >80 >+4% 6日 45 15. 7% 16 35. 6% -1. 5% -68. 4% 賣3 >70 >+2% 23 日 32 11. 2% 9 28. 1% -2. 3% -72. 6% 賣4 >80 >+2% 23 日 19 10. 3% 14 73. 7% 3. 3% 62. 9% 賣5 >80 >+2% 286 <20 <-4% 286 <30 <-2% 286 <20 <-2% 買4 買5 85. 4 1. 184 <20 <-2% 訓練
婚姻狀況 子女數目 年紀 Y 1 40 N 4 64 Y 4 52 婚姻狀況 子女數目 年紀 Y N N 3 4 4 58 60 55
職業別 3 7 2 職業別 2 2 6
郵遞區號 儲蓄率 540 27 540 27 570 26 郵遞區號 儲蓄率 120 120 650 19 19 23
最不具購 買潛力客 戶
Market Basket Analysis (菜篮分析）
Coke Milk Juice Juice Egg Coke Milk
Egg
Coke
Egg
Juice
Milk
其它相关应用
• • • • • 发掘背部手术成败关键因素 磁砖颜色配比决策辅助 旋窑燃烧最佳化控制 研磨机钢球配比及置放址决策辅助 电子能量、功率、废气流量、氨气流量组合对 氮氧化物及硫氧化物去除效率之模式发展 • 污染排放量预测模式（DECADES MODEL） • 燃烧炉中NG、LPG、与正常空气之配比对燃烧 效率及其它有害气体之排放程度之影响
population
Segment3 Segmnet1 Segmenet4 Segment2
Figure 9.4 Market Segmentation Analysis
Safeway 案例
• 面临之挑战
– 8 million transaction data/week (4 T MB) – 500家店面与600万客户 – 市场竞争激烈，传统手法技术式微 （如更低价位，更多据点，多类产品） – 新的竞争关键焦点：掌握客户需要--哪 类客户买哪些商品以及购买频率
Values
18-74 Male, Female, Unknown Single, Married, Divorced, Unknown Yes, No, Unknown $0 to $1500 $0 to $2500 $0 to $5000 $0 to $2500 $0 to $5000 $0 to $15000
GA 測試 85. 4 1. 184 >87 >-4% 84. 5 1. 286
85. 31 84. 30 85. 31 8. 12. 8.
則 13 日 心理線
23 日 15 5. 2% 8 53. 3% 0. 4% 5. 6% 訓練 >14
23 日 26 14. 1% 17 65. 4% 3. 7% 95. 4% 測試
6 日 成交量B IA S >+4% 放空期間
<2. 8% 12 日 21 7. 3% 15 71. 4% -2. 8% -58. 4% 63. 9% 12 日 5 2. 7% 3 60. 0% -0. 7% -3. 6% 99. 0%
則 13 日 心理線 賣 出 結 果 投資次數 投資率 正確數 正確率 每筆報酬率 總報酬率 整體報酬
Content F: Female; M: Male Y: Married; N: Single: U: Unknown Range: [1..8] Range: [1..70] Range: [1..10] Three-digits zip code Range: [1..27] Y: Yes; N: No
数据挖掘原理
主要方法
• 数据库、数据视觉、统计学、机器学习等
相关技术
• 类神经网络、模糊逻辑、基因算法、基因规画、 案例库 推理法、规则库推理、统计回归等
知识表现
• 决策树 、法则、定量数学公式、黑箱公式 等
Data mining主要功能与技术
功能
关联性 (Association) 时间序列 (Sequence) 分类 (Classification)
整合：业务运作、管理控制、策略规画
信息密集行业 全方位/多角化经营
资料 --企业宝贵之资产
资料 仓储 (Corporate Memory) Mining
信息
Mining 知识
(Corporate Intelligence)
知识发现流程（Knowledge Discovery)
资料挖掘
数据转换与简化 前置处理与清理 Cleaned data Target data Database/Data Warehouse Performance Knowledge system
Representation
Scaled(0.0 to 1.0) 1, 0, 0.5 1, 0, 0.5 1, 0, 0.5 Scaled(0.0 to 1.0) Scaled(0.0 to 1.0) Scaled(0.0 to 1.0) Scaled(0.0 to 1.0) Scaled(0.0 to 1.0) Scaled(0.0 to 1.0)
最具（最不具）購買潛力客戶案例組合
提升Direct Mail回函率
预定目标
目标营销
回 函 数
大众营销 节省
寄出信函数（寄出成本）
Selected Data for Customer Segmentation
Attribute
Age Sex Marital Status Homeowner Sporting Goods ($) Exercise Equipment ($) Home Appliances ($) Electronics/Music ($) Furniture ($) Total Amount($)
数据挖掘在商业管理与决策 分析之实例应用
引言
决策分析质量与效率之提升 数据挖掘之原理概念与功能 数据挖掘之建构方法 应用案例介绍 电 子 商 务 之 应 用 （ Web Mining/WAP Mining） 建议与结论
经营环境
经营环境日益挑战
考虑：成本、利润、质量 . . . .
管理活动
Market Segment Analysis
Segments v..s. Population
3000
A v g $
2500
2000
1500
s p e n t
1000
50pliance
Entertainment
Furniture
Target Categories
Logical Data Type
Continuous numeric Categorical Categorical Categorical Continuous numeric Continuous numeric Continuous numeric Continuous numeric Continuous numeric Continuous numeric
• • • • • • • Safeway 贩卖促销信息（e.g. coupon) 音乐/电影喜好问卷搜集 Fidelity Investment客户服务 （cross-selling/ wallet share) First USA Bank信用卡资料（汽车房贷） Capital One 降低贷款风险损失率 First Union预测潜在流失客户 预测侵蚀性的物质对皮肤的影响降低产品(药品或毒品)的发 展成本和时间，以及减少动物实验的需求 • 分析零售商店历史销售记录与位置概述以决定最佳的位置 • 分析提款机设置地点最佳位置
其它相关应用(续)
• • • • • • 发掘共同基金潜在客户 银行活期存款账户流失率估计 相关产品群组设计（cross-selling） 预测油田生产量 海上石油外溢对生态破坏影响之估计 飞机结构负载
股市交易最佳化规则之发掘
• 规则一﹕假如6日RSI小于20且6日 BIAS 小于 -4%时 则 买入并持有12日 • 规则二﹕假如6日RSI 大于 80且6日 BIAS 大于 5%时 则 卖出并放空10日
模擬方式 買入類別 應用期間(起) 應用期間(迄) 總次數 買 入 規 6 日 R SI 6 日 股價B IA S 6 日 成交量B IA S 持有期間 買 入 結 果 投資次數 投資率 正確數 正確率 每筆報酬率 總報酬率 賣出類別 賣 出 規 6 日 R SI 6 日 股價B IA S
客戶購買案例特色
100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0%
0.77 0.65 0.5 0.44 GA-CBR Regression
Learning Rate
Testing Rate