数据挖掘-决策分析
数据挖掘与统计决策--学科概述 聚类分析 因子分析
一、数据挖掘学科概述——信息化发展与数据挖掘
1、企业信息化建设：各类管理信息系统、决策支持系统等， 如MRP（Material Requirements Planning,物料需求计划系 统）、MRPII（Manufacturing Resource Planning,制造资源 计划系统）、ERP（Enterprise Resource Planning,企业资 源计划系统）、ERPII（协同商务与智能商务的ERP）。 2、电子商务建设：信息流、资金流、物流、商务智能、协同 商务的模式与技术。 3、电子政务建设：利用互联网实现法律、法规、政策等的宣 传、引导和监控。
问题：上述六个变量如何转换为【0，1】无量纲数据？
取四个值中的最大M=1.5，最小m=-1.5，由公式 y=(x-m)/(M-m)=(x+1.5)/(1.5+1.5), 分别把x转换为如下y： X=1.5,y=1, X=-1.5,y=0, X=0.5,y=0.63, X=-0.5,y=0.37
二、数据挖掘方法——聚类分析
一、数据挖掘学科概述——信息化发展与数据挖掘
决策支持系统定义(Decision Supporting Systems,简记DSS） 指能够综合利用各种数据、 信息知识、 人工智能 和模型技术,
辅助高级决策者解决半结构化或非结构化决策问题的人机交互信息系统 .
一、数据挖掘学科概述——信息化发展与数据挖掘
一、数据挖掘学科概述
数据挖掘定义（Data Mining,简记DM）
对数据库中潜在的、不明 显的数据关系进行分析与建模的 算法。
一、数据挖掘学科概述
1、信息化发展与数据挖掘
五十年代初 : 产生数据处理系统(Data Processing Systems, 简记DPS) 或 电子数据处理系统 (Electronic Data Processing Systems, 简记EDP) 七十年代初: 产生MIS；七十年代末: 产生DSS 八十年代中: 产生专家系统(ES)、智能决策支持系统 (IDSS)、智能管理系统(IMS) 九十年代中：产生综合决策支持系统（Synthetic Decision Supporting Systems，简记SDSS，SDSS= IDSS+数据仓库+数据挖掘。
如何利用大数据分析进行决策
如何利用大数据分析进行决策大数据分析是近年来非常热门的话题，它可以帮助企业在决策过程中更好地了解客户和市场，发现商机和问题。
那么，如何利用大数据分析进行决策呢？一、数据收集和清洗收集数据是大数据分析的第一步。
针对企业的特定目标和需求，可以从多个数据源中收集数据，包括网站分析工具、社交媒体、客户关系管理系统等。
此外，还可以从第三方数据提供商处购买数据，如市场调研公司、数据交易平台等。
但需要注意的是，不同来源的数据可能格式迥异，需要经过清洗和转换，确保准确性和数据统一性，提高分析的有效性。
二、数据挖掘和分析拥有大量的数据，但没有任何分析带来的收益。
大数据分析的重要性在于挖掘数据中的信息和知识。
这一步需要使用数据挖掘技术，包括聚类分析、分类分析、关联规则挖掘等等。
通过对数据的分析和挖掘，可以发现隐藏在数据背后的规律和趋势，为决策提供有力的支撑。
三、可视化和报告数据挖掘出来的知识需要以可视化和易懂的方式呈现，即数据报告。
此步需要根据所挖掘处理的数据，使用可视化技术呈现分析结论。
常见的数据报告形式包括统计图表、热力图等。
当然，这里也要根据实际情况选择合适的工具，例如Power BI、Tableau等大数据可视化工具。
四、决策落地经过前面三步的分析，我们已经得出了很多有价值的结论和信息。
但对于企业来说，真正有价值是这些分析带来的决策。
大数据分析需要在这一步得到落地和实施。
此步应非常实用、可操作，以决策表和操作指南的形式，将分析结论贴切地运用到企业决策之中。
综上，大数据分析是对企业管理的一种手段。
借助于大数据分析，企业可以更好地了解市场环境、了解客户需求、发现潜在问题和机遇。
在分析之前，需要明确企业的目标并根据目标制定策略。
企业还需要建立有效的数据采集和分析机制，人员需要拥有统计学、计算机等相关专业知识。
最终的目的是为了将数据分析所得的结论和行动同步，使企业获得最佳运营效益。
年度数据分析总结数据挖掘提供决策支持
年度数据分析总结数据挖掘提供决策支持在现代信息时代，数据成为了企业经营决策和业务拓展的重要依据。
数据分析作为一种有效的决策支持工具，可以帮助企业提高运营效率，优化资源配置，拓展市场份额。
年度数据分析总结是对过去一年中企业数据进行全面梳理和分析的重要环节，数据挖掘技术则是在数据分析中发挥重要作用的方法。
本文将从数据分析与挖掘的概念、年度数据分析总结的重要性以及数据挖掘在决策支持中的应用等方面进行论述。
一、数据分析与数据挖掘的概念数据分析是指通过收集、整理、处理和解释大量数据，以获取对人们关心的问题有用的信息，进而对问题进行分析和判断的过程。
数据分析可以采用统计分析、数据挖掘、机器学习等方法，对数据进行整理、建模、预测等，帮助企业揭示数据背后的规律和价值。
数据挖掘是指从大量的数据中发现隐藏在其中的、以前未知的、对决策有用的知识和信息的过程。
数据挖掘常用的技术包括聚类分析、分类分析、关联分析、预测分析等，它通过运用统计学、人工智能、机器学习等方法，对数据进行模式识别、趋势预测等分析，为决策提供有力的支持。
二、年度数据分析总结的重要性年度数据分析总结是企业对过去一年业务数据进行汇总、分析和总结的工作。
它具有以下重要性：1. 发现问题：通过对数据进行分析，可以发现企业在过去一年中存在的问题和亮点。
比如，销售额下滑、客户投诉增加等问题都可以通过数据分析及时发现。
2. 优化资源配置：数据分析可以帮助企业了解资源的利用情况，从而优化资源的配置。
比如，通过分析每个岗位的工作量、业绩指标等数据，可以合理安排人力资源，提高工作效率。
3. 探索市场机会：数据分析可以揭示市场的需求和趋势，帮助企业发现新的市场机会。
比如，通过对竞争对手销售数据的比较，可以找到自己的竞争优势和差距，从而调整营销策略。
4. 支持决策：数据分析提供的有效信息和见解可以为企业决策提供有力支持。
比如，在制定新产品销售计划时，可以通过数据分析预测销售趋势和市场需求，从而制定出更科学的销售策略。
数据挖掘与分析在商业决策中的应用指南
数据挖掘与分析在商业决策中的应用指南第1章数据挖掘概述 (4)1.1 数据挖掘的定义与价值 (4)1.1.1 提高决策效率：数据挖掘技术能够从海量的数据中快速发觉潜在的规律和趋势，为商业决策提供有力支持，提高决策效率。
(4)1.1.2 增强预测准确性：通过对历史数据的挖掘分析，可以建立预测模型，为未来市场趋势、客户需求等提供更为准确的预测。
(4)1.1.3 优化资源配置：数据挖掘有助于企业了解各业务环节的实际情况，从而合理配置资源，提高运营效率。
(4)1.1.4 提升客户满意度：通过对客户数据进行分析，可以深入了解客户需求，为企业提供个性化服务和精准营销提供依据。
(5)1.2 数据挖掘的主要任务与过程 (5)1.2.1 数据准备：收集并整理数据，进行数据清洗、数据集成、数据变换等操作，为后续挖掘分析提供高质量的数据。
(5)1.2.2 数据挖掘：根据业务需求选择合适的算法和模型进行挖掘，包括分类、回归、聚类、关联规则挖掘等。
(5)1.2.3 模型评估：对挖掘出的模型进行评估，包括准确性、可靠性、泛化能力等方面的评价。
(5)1.2.4 知识表示：将挖掘出的知识以图表、报告等形式展示给决策者，便于理解和应用。
(5)1.3 数据挖掘在商业决策中的应用场景 (5)1.3.1 市场细分：通过对客户数据进行分析，将市场划分为不同细分市场，为企业制定有针对性的市场策略提供依据。
(5)1.3.2 客户关系管理：分析客户行为数据，识别潜在客户、维护现有客户、挽回流失客户，提高客户满意度和忠诚度。
(5)1.3.3 信用评估：利用数据挖掘技术建立信用评估模型，降低信贷风险，提高信贷审批效率。
(5)1.3.4 预测分析：通过对历史销售数据、市场趋势等进行分析，预测未来产品需求，为企业制定生产计划和库存策略提供支持。
(5)1.3.5 优化供应链：分析供应链各环节数据，发觉潜在问题，提高供应链运作效率，降低成本。
《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4round(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))radarchart(df = df, seg =5, plty = c(1:4), vlcex = 1, plwd = 2)# 给雷达图加图例L <- 1for(i in 1:4){legend(1.3, L, legend = paste("VIP_LVL", i), lty = i, lwd = 3, col = i, bty = "n")L <- L - 0.2}运行结果：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。
行业数据挖掘与分析决策支持系统方案
行业数据挖掘与分析决策支持系统方案第1章项目背景与需求分析 (3)1.1 行业数据挖掘的背景 (3)1.2 决策支持系统的需求分析 (3)1.3 项目目标与意义 (3)第2章行业数据资源概述 (4)2.1 数据来源与类型 (4)2.2 数据质量与数据处理 (4)2.3 数据安全与隐私保护 (5)第3章数据挖掘技术与方法 (5)3.1 数据挖掘基本概念 (5)3.2 常见数据挖掘算法与应用 (5)3.3 行业数据挖掘关键技术与挑战 (6)第4章数据挖掘在行业的应用场景 (6)4.1 行业主要业务领域 (6)4.2 数据挖掘在行业的具体应用 (7)4.2.1 公共服务 (7)4.2.2 社会管理 (7)4.2.3 经济调控 (7)4.2.4 城市规划 (7)4.2.5 环境保护 (7)4.3 应用案例与效果分析 (7)4.3.1 公共交通优化 (7)4.3.2 税收征管改革 (7)4.3.3 环境保护政策制定 (8)第5章决策支持系统架构设计 (8)5.1 系统总体架构 (8)5.2 数据层设计 (8)5.3 模型层设计 (8)5.4 应用层设计 (8)第6章数据挖掘模型构建与优化 (9)6.1 数据挖掘模型构建流程 (9)6.1.1 数据预处理 (9)6.1.2 数据划分 (9)6.1.3 特征选择与提取 (9)6.1.4 模型训练 (9)6.2 特征工程与模型选择 (9)6.2.1 特征工程 (9)6.2.2 模型选择 (10)6.3 模型评估与优化 (10)6.3.1 模型评估 (10)6.3.2 模型优化 (10)第7章决策支持系统功能模块设计 (10)7.1 数据管理模块 (10)7.1.1 数据采集与整合 (10)7.1.2 数据存储与管理 (10)7.2 数据挖掘模块 (11)7.2.1 数据预处理 (11)7.2.2 数据挖掘算法与应用 (11)7.3 决策分析模块 (11)7.3.1 决策模型构建 (11)7.3.2 决策支持 (11)7.4 系统管理与维护模块 (12)7.4.1 用户管理 (12)7.4.2 系统监控 (12)7.4.3 日志管理 (12)7.4.4 系统升级与维护 (12)第8章系统实施与部署 (12)8.1 系统开发环境与工具 (12)8.1.1 开发环境 (12)8.1.2 开发工具 (12)8.2 系统实施流程与策略 (13)8.2.1 需求分析与设计 (13)8.2.2 系统开发 (13)8.2.3 系统测试 (13)8.2.4 系统部署与培训 (13)8.3 系统部署与运维 (13)8.3.1 系统部署 (13)8.3.2 系统运维 (13)第9章行业决策支持系统应用案例 (14)9.1 案例一：宏观经济分析 (14)9.1.1 背景介绍 (14)9.1.2 系统构建 (14)9.1.3 应用效果 (14)9.2 案例二：公共安全监测 (14)9.2.1 背景介绍 (14)9.2.2 系统构建 (14)9.2.3 应用效果 (15)9.3 案例三：智慧城市建设 (15)9.3.1 背景介绍 (15)9.3.2 系统构建 (15)9.3.3 应用效果 (15)第10章项目总结与展望 (15)10.1 项目总结 (16)10.2 项目效益分析 (16)10.3 未来发展展望与建议 (16)第1章项目背景与需求分析1.1 行业数据挖掘的背景信息技术的飞速发展，大数据时代已经来临。
大数据挖掘与分析
大数据挖掘与分析近年来，大数据逐渐成为了智能时代的核心，它的数据量巨大、种类繁多、速度快、价值高，大数据的处理和分析成为人们最为关注的话题之一。
大数据挖掘与分析正因为其能够让人们从海量数据中发现有价值的信息而备受追捧。
本文旨在探讨大数据挖掘与分析的意义、挑战以及发展趋势。
一、大数据挖掘与分析的意义大数据挖掘与分析是指通过对海量的、复杂的数据集进行结构化和非结构化的信息挖掘和分析，从中提取有价值的信息和知识。
大数据挖掘与分析的意义在于：1. 解决真实问题大数据挖掘与分析有助于解决各行业的问题，例如医疗行业可以通过医疗数据挖掘和分析，提高医疗服务水平和患者的治疗效果。
在金融领域，利用大数据进行风险管理，可以更好地控制风险。
此外，大数据挖掘与分析可以应用于政府治理、交通管理、物流管理等方面，为现代社会发展带来更多的机遇。
2. 提高竞争力大数据挖掘与分析可以根据大规模数据集的可用性来帮助企业识别并利用新的机遇，实现业务增长和竞争优势。
对于企业而言，大数据挖掘与分析可以帮助企业在市场上占据更多的优势，提高企业的经济效益和社会效益。
3. 推动科技进步在大数据挖掘与分析中，需要借助各种数据分析工具和算法，通过不断的探索和研究，不断推动科技进步。
这不仅对于数据分析领域有所贡献，在其他领域如人工智能、机器学习、物联网等方面都有着重要的作用。
二、大数据挖掘与分析的挑战随着科技的发展，人们在处理大数据时也遭遇了一些挑战。
1. 数据质量问题在大数据挖掘与分析过程中，数据质量问题往往是影响分析结果的主要因素。
数据质量问题可能来自数据采集、传输、存储和数据清理等方面，其中包括数据的缺失、重复、错误、噪声、偏差等问题。
2. 数据隐私问题在大数据挖掘与分析过程中，涉及到大量的个人敏感信息，如果数据泄露可能会造成巨大的损失。
因此，保护数据隐私和安全是大数据的重要问题之一。
需要制定合理的数据安全和隐私保护机制，保证数据的安全。
3. 技术问题大数据挖掘与分析需要大量的计算能力，而且需要用到的算法和技术也不同。
数据挖掘提高企业决策分析
水 平， 是使 企 业 建立 以客 户为 中心 的 经营模 式和提 高企 业 竞争 力 的支撑 。
【 关键 词 】 数据 仓库 ； Ｎ４ Ｊ 决策 分析 ： ￣． ｇＮ；
０ 数据 挖掘 技术在 企 业管 理 中的应 用现 状 ．
通过 可视 化技 术交 互式地 分 析数据 关 系。 数据 挖 掘 能帮助 企 业 减少 不 必 要投 资 的 同时 提 高 ２数 据 仓库与 数据 挖掘 ． 资金 回报 。数 据挖 掘 给企 业带 来 的 潜在 的投 资 回报几 数 据 仓 库 与 数 据 挖 掘 之 间 有 着 非 常 密 切 的关 系 。
策依据 ． 实现 固定 资产 管 理 工作 的信 息化 、 范化 与 标 规 准 化 ．全 面 提升 企事 业 单位 固定 资产 管 理工 作 的工 作 资产 签 收 ： 负责签 收其 他单 位 调拨 来 的资 产 。 资 产调 拨 ：主要 完 成单 位 之 间 的 资产 调 拨 的处 理 效 率 与管 理 水平 。使 固定资 产 的管理 变得 轻 、 准确 。 快 捷 和全 面 。 ｔ 业务 ． 包括 资产 调 出和资 产 签收 调 入 。 资产 跟 踪 ：对 本 单 位调 出资 产 在其 他 单 位 使尉 的 状 态 等信 息进 行跟 踪管 理 。
余 额 递减 法 、 工作 量 法 折 旧算法 对 资产 进行 折 旧 。 资产 维 修 ： 成 资产维 修 管理 业务 。 完 资产 封存 ： 成 资产封 存 管理 业务 。 完
- 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)。
实验报告一：决策树方法实验目的：使用SQL Server Business Intelligence Development Studio 对上述数据建立数据立方体，并进行数据挖掘分析，挖掘的知识类型不限，将挖掘过程和结果形成实验报告。
实验内容：(1) 利用给定的数据库，新建一个数据挖掘项目；(2) 依次建立数据源，数据源视图，维度，多维度数据集，挖掘机构；(3) 选择不同的算法对挖掘的结果进行分析，预测.(4) 根据以上分析，提出可以执行的决策实验步骤：创建Analysis Services 项目更改存储数据挖掘对象的实例创建数据源视图创建用于目标邮件方案的挖掘结构创建目标邮件方案的第一步是使用Business Intelligence Development Studio 中的数据挖掘向导创建新的挖掘结构和决策树挖掘模型。
在本任务中，您将基于Microsoft 决策树算法创建初始挖掘结构。
若要创建此结构，需要首先选择表和视图，然后标识将用于定型的列和将用于测试的列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。
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“创建数据挖掘结构”页的“您要使用何种数据挖掘技术？”下，选择“Microsoft 决策树”。
5.单击“下一步”。
6.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。
7.单击“下一步”。
8.在“指定表类型”页上，选中vTargetMail 的“事例”列中的复选框以将其用作事例表，然后单击“下一步”。
稍后您将使用ProspectiveBuyer 表进行测试，不过现在可以忽略它。
9.在“指定定型数据”页上，您将为模型至少标识一个可预测列、一个键列以及一个输入列。
选中BikeBuyer行中的“可预测”列中的复选框。
10.单击“建议”打开“提供相关列建议”对话框。
只要选中至少一个可预测属性，即可启用“建议”按钮。
“提供相关列建议”对话框将列出与可预测列关联最密切的列，并按照与可预测属性的相互关系对属性进行排序。
显著相关的列（置信度高于95%）将被自动选中以添加到模型中。
查看建议，然后单击“取消”忽略建议。
11.确认在CustomerKey行中已选中“键”列中的复选框。
12.选中以下行中“输入”列中的复选框。
可通过下面的方法来同时选中多个列：突出显示一系列单元格，然后在按住Ctrl 的同时选中一个复选框。
1.AgemuteDistance3.EnglishEducation4.EnglishOccupation5.Gender6.GeographyKey7.HouseOwnerFlag8.MaritalStatus9.NumberCarsOwned10.NumberChildrenAtHome11.Region12.TotalChildren13.YearlyIncome13.在该页的最左侧的列中，选中以下行中的复选框。
1.AddressLine12.AddressLine23.DateFirstPurchase4.EmailAddress5.FirstNamestName确保这些行仅选择了左侧列中的复选标记。
这些列将添加到结构中，但不会包含在模型中。
但是，模型生成后，它们将可用于钻取和测试。
有关钻取的详细信息，请参阅针对挖掘模型和挖掘结构使用钻取（Analysis Services –数据挖掘）。
14.单击“下一步”。
检查和修改每列的内容类型和数据类型15.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。
16.查看“内容类型”和“数据类型”列中的各项；如有必要，请进行更改，以确保设置与下表所示一致。
通常，向导会检测数值，并分配相应的数值数据类型；但有些情况下，您可能想要将数值作为文本处理。
例如，GeographyKey应作为文本处理，因为对此标识符进行数学运算是不对的。
17.单击“下一步”。
指定测试集1.在“创建测试集”页上，将“测试数据百分比”保留其默认值：30。
2.对于“测试数据集中的最大事例数”，请键入1000。
3.单击“下一步”。
指定钻取可以针对模型和结构启用钻取。
该窗口中的复选框针对命名模型启用钻取，并允许您从用来为模型定型的模型事例检索详细信息。
如果基础挖掘结构也已经配置为允许进行钻取，则可以从模型事例和挖掘结构返回详细信息（其中包括挖掘模型中所不包含的列）。
有关详细信息，请参阅针对挖掘模型和挖掘结构使用钻取（Analysis Services –数据挖掘）命名模型和结构并指定钻取1.在“完成向导”页上的“挖掘结构名称”中，键入TargetedMailing。
2.在“挖掘模型名称”中，键入TM_Decision_Tree。
3.选中“允许钻取”复选框。
4.查看“预览”窗格。
请注意，仅显示出那些选作“键”、“输入”或“可预测”的列。
您选择的其他列（例如，AddressLine1）不能用于生成模型，但是将在基础结构中可用，您可以在处理和部署模型之后查询这些列。
创建聚类分析挖掘模型1.切换到Business Intelligence Development Studio 中数据挖掘设计器的“挖掘模型”选项卡。
请注意，设计器显示两列，一列是挖掘结构，另一列是在前一课中创建的TM_Decision_Tree挖掘模型。
2.右键单击“结构”列，选择“新建挖掘模型”。
3.在“新建挖掘模型”对话框中的“模型名称”中，键入TM_Clustering。
4.在“算法名称”中，选择“Microsoft 聚类分析”。
5.单击“确定”。
新模型现在显示在数据挖掘设计器的“挖掘模型”选项卡中。
此模型是用Microsoft 聚类分析算法生成的，它将具有相似特征的客户进行分类并预测每个分类的自行车购买行为。
虽然您可以修改新模型的列用法和属性，但在本教程中不需要对TM_Clustering模型进行任何更改。
创建Naive Bayes 挖掘模型1.在数据挖掘设计器的“挖掘模型”选项卡中，右键单击“结构”列，并选择“新建挖掘模型”。
2.在“新建挖掘模型”对话框中的“模型名称”下，键入TM_NaiveBayes。
3.在“算法名称”中，选择Microsoft Naive Bayes，再单击“确定”。
此时将显示一条消息，说明Microsoft Naive Bayes 算法不支持Age和Yearly Income列，这些都是连续列。
4.单击“是”，以确认此消息并继续下面的操作。
设置HoldoutSeed1.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。
2.确保按F4可以打开“属性”窗格。
3.确保CacheMode已设置为KeepTrainingCases。
4.为HoldoutSeed输入12。
部署并处理模型在数据挖掘设计器中，可以处理挖掘结构、与挖掘结构关联的特定挖掘模型，或者结构以及与该结构关联的所有模型。
在本任务中，我们将同时处理结构和所有模型。
部署项目并处理所有挖掘模型1.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，系统将提示您在处理模型之前生成和部署项目。
单击“是”。
2.在“处理挖掘结构- Targeted Mailing”对话框中单击“运行”。
“处理进度”对话框将打开以显示有关模型处理的详细信息。
模型处理可能需要一些时间，具体取决于您的计算机。
3.模型处理完成后，在“处理进度”对话框中单击“关闭”。
4.在“处理挖掘结构- <结构>”对话框中单击“关闭”。
在“决策树”选项卡中浏览模型1.在“数据挖掘设计器”中，选择“挖掘模型查看器”选项卡。
默认情况下，设计器将打开添加到结构中的第一个模型（在本例中为TM_Decision_Tree）。
2.使用放大镜按钮调整树的显示大小。
默认情况下，Microsoft 树查看器仅显示树的前三个级别。
如果树级别不到三个，则查看器仅显示现有级别。
可以使用“显示级别”滑块或“默认扩展”列表查看更多级别。
3.将“显示级别”滑到第四条。
4.将“背景”值更改为1。
通过更改“背景”设置，可以迅速查看每个节点中[Bike Buyer] 的目标值为1的事例的数量。
请注意，在这种特定的情况下，每个事例均表示一个客户。
值1指示该客户之前购买了自行车；值0指示该客户尚未购买自行车。
节点的底纹颜色越深，节点中具有目标值的事例所占的百分比越大。
5.将光标放在标记为“全部”的节点上。
将出现显示以下信息的工具提示：∙事例总数∙非自行车购买者事例的数量∙自行车购买者事例的数量∙缺少[Bike Buyer] 值的事例的数量或者，将光标放在树中的任何节点上，查看从上级节点到达该节点所需的条件。
还可以在“挖掘图例”中查看同样的信息。
6.单击“Age >=34 且< 41”的节点。
直方图将显示为一个穿过该节点的窄水平条，并表示此年龄范围中以前买过自行车的客户（粉色）和没有买过自行车的客户（蓝色）的分布情况。
查看器显示：没有汽车或者有一辆汽车、年龄在34 到40 的客户有可能购买自行车。
再进一步考察发现，实际年龄在38 到40 的客户购买自行车的可能性会增加。
由于您在创建结构和模型时启用了钻取，因此，可以从模型事例和挖掘结构中检索详细的信息，其中包括挖掘模型中所不包含的列（例如，emailAddress 和FirstName）。
有关详细信息，请参阅针对挖掘模型和挖掘结构使用钻取（Analysis Services –数据挖掘）。
钻取到事例数据1.右键单击某个节点，然后依次选择“钻取”和“仅限模型列”。
每个定型事例的详细信息将以电子表格方式显示。
这些详细信息来自您在生成挖掘结构时选作事例表的vTargetMail 视图。
2.右键单击某个节点，然后依次选择“钻取”和“模型和结构列”。
将显示同一个电子表格，并在末尾处附加结构列。
返回页首“依赖关系网络”选项卡“依赖关系网络”选项卡显示决定挖掘模型预测能力的各个属性之间的关系。
依赖关系网络查看器进一步证实了我们的发现：年龄和地区是预测自行车购买行为的重要因素。
在“依赖关系网络”选项卡中浏览模型1.单击Bike Buyer节点以确定它的依赖关系。
依赖关系网络的中间节点(Bike Buyer) 表示挖掘模型中的可预测属性。