Über den Einsatz von Cookies auf dieser Website Unsere Websites benötigen einige Cookies, um ordnungsgemäß zu funktionieren (erforderlich). Darüber hinaus können mit Ihrer Zustimmung weitere Cookies verwendet werden, um die Nutzung der Website zu analysieren, die Benutzerfreundlichkeit zu verbessern und Werbung zu schalten. Weitere Informationen finden Sie in Ihren. Durch den Besuch unserer Website erklären Sie sich mit der Verarbeitung von Informationen einverstanden, wie in der IBMDatenschutzbestimmung beschrieben. Um eine reibungslose Navigation zu ermöglichen, werden Ihre Cookie-Präferenzen über die hier aufgeführten IBM Web-Domains hinweg gemeinsam genutzt.
Telekommunikationskunden klassifizieren
Letzte Aktualisierung: 12. Feb. 2025
In diesem Lernprogramm wird ein logistisches Regressionsmodell erstellt, eine statistische Technik zur Klassifizierung von Datensätzen auf der Grundlage von Werten in Eingabefeldern. Sie ist analog zur linearen Regression, aber statt eines numerischen Zielfelds wird ein kategoriales verwendet.
Nehmen wir zum Beispiel an, ein Telekommunikationsanbieter hat seinen Kundenstamm nach dem Nutzungsverhalten segmentiert und die Kunden in vier Gruppen eingeteilt. Wenn demografische Daten zum Vorhersagen der Gruppenzugehörigkeit verwendet werden können, sind angepasste Angebote für die einzelnen potenziellen Kunden möglich.
Vorschau des Lernprogramms anzeigen
Sehen Sie sich dieses Video an, um eine Vorschau der Schritte in diesem Lernprogramm anzuzeigen. Die Benutzeroberfläche, die im Video gezeigt wird, kann geringfügig abweichen. Das Video ist als Ergänzung zum schriftlichen Tutorial gedacht. Dieses Video bietet eine visuelle Methode, um die Konzepte und Aufgaben in dieser Dokumentation zu erlernen.
Versuchen Sie das Tutorial
In diesem Lernprogramm werden Sie die folgenden Tasks ausführen:
Beispielhafter Modellierungsablauf und Datensatz
Dieses Tutorial verwendet den Ablauf Klassifizierung von Telekommunikationskunden im Beispielprojekt. Die verwendete Datendatei ist telco.csv. Das folgende Bild zeigt ein Beispiel für den Ablauf der Modellierung.
Das folgende Bild zeigt den Datensatz, der mit diesem Modellierungsfluss verwendet wird.
Dieses Beispiel konzentriert sich auf die Verwendung von demografischen Daten zur Vorhersage von Nutzungsmustern. Das Zielfeld
custcat| Wert | Bezeichnung (Label) |
|---|---|
| 1 | Basisservice |
| 2 | E-Service |
| 3 | Plus Service (Plus-Service) |
| 4 | Umfassender Service |
Da das Ziel mehrere Kategorien aufweist, wird ein multinomiales Modell verwendet. Wenn das Ziel zwei unterschiedliche Kategorien hat, z. B. ja/nein, wahr/falsch oder abwandern/nicht abwandern, kann stattdessen ein Binomialmodell erstellt werden.
Aufgabe 1: Öffnen Sie das Beispielprojekt
Das Beispielprojekt enthält mehrere Datensätze und Modellierungsabläufe. Wenn Sie das Beispielprojekt noch nicht haben, finden Sie unter Tutorials eine Anleitung zum Erstellen des Beispielprojekts. Gehen Sie dann wie folgt vor, um das Beispielprojekt zu öffnen:
- In watsonx, wählen Sie im Navigationsmenü
Projekte > Alle Projekte anzeigen. - Klicken Sie auf SPSS Modeler Project.
- Klicken Sie auf die Registerkarte Assets, um die Datensätze und Modellierungsabläufe zu sehen.
Überprüfen Sie Ihren Fortschritt
Die folgende Abbildung zeigt die Registerkarte Assets des Projekts. Sie sind nun bereit, mit dem zu diesem Lehrgang gehörenden Beispielmodellierungsablauf zu arbeiten.
Aufgabe 2: Untersuchen Sie die Knoten Daten-Asset, Typ und Filter
Der Modellierungsablauf zur Klassifizierung von Telekommunikationskunden umfasst mehrere Knotenpunkte. Gehen Sie folgendermaßen vor, um drei der Knoten zu untersuchen:
- Öffnen Sie auf der Registerkarte Assets den Modellierungsablauf Klassifizierung von Telekommunikationskunden und warten Sie, bis der Canvas geladen ist.
- Doppelklicken Sie auf den Knoten telco.csv. Dieser Knoten ist ein Data Asset-Knoten, der auf die Datei telco.csv im Projekt verweist.
- Überprüfen Sie die Eigenschaften des Dateiformats.
- Optional: Klicken Sie auf Datenvorschau, um den vollständigen Datensatz zu sehen.
- Doppelklicken Sie auf den Knoten Typ und klicken Sie auf Werte lesen. Dieser Knoten gibt Feldeigenschaften an, wie z. B. die Messebene (die Art der Daten, die das Feld enthält) und die Rolle jedes Feldes als Ziel oder Eingabe bei der Modellierung. Vergewissern Sie sich, dass alle Messpegel korrekt eingestellt sind. So können beispielsweise die meisten Felder mit den Werten "
0.01.0Beachten Sie, dass "Abb. 3 Messniveaus 
gender - Ändern Sie die Rolle für das Feld
custcat - Doppelklicken Sie auf den Knoten Filter, um seine Eigenschaften anzuzeigen.
- Beachten Sie, dass dieser Knoten nur die relevanten Felder herausfiltert: '
regionagemaritaladdressincomeedemployretiregenderresidecustcat
Überprüfen Sie Ihren Fortschritt
Das folgende Bild zeigt den Knoten Filter. Sie können nun den Knoten Logistik anzeigen.
Aufgabe 3: Ansicht des Knotens "Logistik
Befolgen Sie diese Schritte, um Kunden mithilfe der multinomialen logistischen Regression zu klassifizieren:
- Doppelklicken Sie auf den Knoten custcat (Logistic), um seine Eigenschaften anzuzeigen.
- Wählen Sie im Abschnitt Modelleinstellungen das Multinomialverfahren.
- Ein Binomialmodell wird verwendet, wenn das Zielfeld ein Flaggen- oder Nominalfeld mit zwei diskreten Werten ist.
- Ein Multinomialmodell wird verwendet, wenn das Zielfeld ein Nominalfeld mit mehr als zwei Werten ist.
- Wählen Sie als nächstes die schrittweise Methode und den Modelltyp Haupteffekte. Aktivieren Sie auch das Kontrollkästchen Konstante in Gleichung einbeziehen.
Abbildung 4. Logistische Knoten Modelleinstellungen 
- Wählen Sie im Abschnitt Expertenoptionen den Expertenmodus.
- Klicken Sie auf Ausgabe. Wählen Sie Klassifizierungstabelle und klicken Sie auf OK.
Abbildung 5. Logistischer Knoten Ausgabeoptionen 
Überprüfen Sie Ihren Fortschritt
Die folgende Abbildung zeigt den Knoten "Logistik". Jetzt können Sie das Modell durchsuchen.
Aufgabe 4: Durchsuchen Sie das Modell
Folgen Sie diesen Schritten, um das Modell zu durchsuchen:
- Fahren Sie mit der Maus über den Knoten "Custcat (Logistik)" und klicken Sie auf das Symbol "Ausführen "
. - Klicken Sie im Bereich Ausgaben und Modelle auf das Modell custcat, um die Ergebnisse anzuzeigen.
Abbildung 6. Modell Merkmal Wichtigkeitstabelle 
Anschließend können Sie die Informationen zum Modell, zur Wichtigkeit von Merkmalen (Prädiktor) und zur Parameterschätzung durchsuchen.
Diese Ergebnisse beruhen nur auf den Trainingsdaten. Um zu beurteilen, wie gut das Modell auf andere Daten in der realen Welt verallgemeinert werden kann, können Sie einen Partitionsknoten verwenden, um eine Untergruppe von Datensätzen für Test- und Validierungszwecke herauszuhalten.
Überprüfen Sie Ihren Fortschritt
Zusammenfassung
In diesem Beispiel wurde gezeigt, wie demografische Daten zur Vorhersage von Nutzungsmustern verwendet werden können, indem ein logistisches Regressionsmodell zur Klassifizierung von Datensätzen auf der Grundlage der Werte von Eingabefeldern erstellt wird.
Nächste Schritte
Sie können jetzt weitere Tutorials von SPSS® Modeler ausprobieren.
War das Thema hilfreich?
0/1000