示例项目包含多个数据集和示例建模流程。 如果还没有示例项目，请参阅教程主题创建示例项目。 然后按照以下步骤打开示例项目：

1. 在Cloud Pak for Data 中，从导航菜单"，选择项目 > 查看所有项目。
2. 单击SPSS ModelerProject。
3. 单击 "资产"选项卡，查看数据集和建模流程。

检查您的进度

下图显示了 "项目资产 "选项卡。 现在您可以使用与本教程相关的示例建模流程了。

返回到顶部

零售促销包括几个节点。 按照以下步骤检查数据资产、派生和类型节点：

“数据资产”节点

1. 从 "资产"选项卡打开 "零售促销"建模流程，等待画布加载。
2. 双击goods1n.csv节点。 该节点是一个数据资产节点，指向项目中的goods1n.csv文件。
3. 查看文件格式属性。
4. 单击 "预览数据"查看完整数据集。
5. 请注意，每条记录都包含
   • Class.产品类型。
   • Cost.单位价格。
   • Promotion.特定促销活动消费金额的索引。
   • Before.促销前收入。
   • After.促销后的收入。

   两个收入字段（Before和 "After"）以绝对值表示。 不过，促销之后（大概也是促销的结果）收入的增加可能是一个更有用的数字。

6. 关闭数据预览和属性侧窗格。

“派生”节点

1. 双击增加（派生）节点。 该节点得出收入增加的价值。
2. 查看设置，尤其是表达式字段；该字段包含一个公式，用于计算增加额占促销前收入的百分比："(After - Before) / Before * 100.0。
3. 单击 "预览数据"查看带有导出值的数据集。
4. 请注意 "增加"一栏。

   对于每个类别的产品，收入增长与促销成本之间几乎存在线性关系。 因此，决策树或神经网络似乎可以合理和准确地预测其他可用字段上的收入增长量。

5. 关闭数据预览和属性侧窗格。

类型节点

1. 双击 "定义类型（类型）"节点。 该节点指定字段属性，如测量级别（字段包含的数据类型），以及每个字段在建模中作为目标或输入的作用。 测量级别是指示字段中数据的类型的类别。 源数据文件使用三种不同的测量级别：
   • 连续字段（如 "Age字段）包含连续的数值。
   • 一个标称字段（如 "Education字段）有两个或多个不同的值，本例中为 "College或 "High school"。
   • 序数字段（如 "Income level字段）描述的是具有多个不同值的数据，这些值具有固有的顺序--本例中为 "Low、"Medium"和 "High。

     对于每个字段，"类型"节点还指定了一个角色，以表明每个字段在建模中的作用。 字段 "Increase的角色设置为 "目标"，该字段是派生字段。 target是您要预测值的字段。

     其他大多数字段的角色设置为输入。 输入字段有时被称为 "predictors，或其值被建模算法用来预测目标字段的值的字段。

     After字段的角色设置为 "无"，因此建模算法不会使用该字段。

2. 可选：单击 "预览数据"查看带有导出值的数据集。

检查您的进度

下图显示了类型节点。 现在您已准备好生成和比较模型。

返回到顶部

该流程训练了神经网络和决策树，以作出此收入增长预测。 按照以下步骤生成两个模型：

生成模型

1. 双击 "增加（神经网络）"节点，查看其属性。
   1. 展开基础部分，可以看到多层感知器是模型类型。 这一属性决定了网络如何通过隐藏层将预测器与目标连接起来。 多层感知器可以处理更复杂的关系，但代价可能是增加训练和评分时间。
   2. 展开 "模型选项"部分，查看评估和评分属性。
2. 双击 "增加（C&R 树）"节点，查看其属性。
3. 点击运行所有 "，等待模型块生成。

检查您的进度

下图显示了分析节点的输出结果。

返回到顶部