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

向客户提供报价 - 自学建模流程包括几个节点。 按照以下步骤检查数据资产和填充节点：

1. 从 "资产"选项卡，打开 "向客户提供报价--自学建模流程"，等待加载画布。
2. 双击pm_customer_train1.csv节点。 该节点是一个数据资产节点，指向项目中的pm_customer_train1.csv文件。
3. 查看文件格式属性。
4. 可选：单击 "预览数据"查看完整数据集。
5. 双击填充节点。
   填充节点用于替换字段值和更改存储。 您可以选择基于指定的 CLEM 条件（如 @BLANK(FIELD)）替换值。 或者，也可以选择将所有空白值或空值替换为特定值。 填充节点通常与类型节点一起用于替换缺失值。
   在 "填写字段 "部分，您可以指定要检查和替换其值的数据集中的字段。 在本例中，"campaign列与 "替换"部分下的 "始终 "选项一起指定。
6. 单击取消。

检查您的进度

下图显示了填充节点。 现在您可以检查 "类型"和 "重新分类"节点了。

返回到顶部

按照以下步骤检查 "类型"和 "重新分类"节点：

1. 双击 "类型"节点，查看其属性。
   通过 "类型"节点，您可以指出正在使用的字段类型，以及如何使用它们来预测结果。 请注意，"campaign和 "response字段的角色已设置为"目标"。 指定的目标是您要根据其进行预测的字段。 response字段的 "度量"设置为"标志"。
2. 单击 "读取值"。

   

3. 单击保存。

   由于竞销活动字段数据显示为数字列表（1、2、3 和 4），因此您可以对字段进行重新分类以具有更有意义的标题。

4. 双击重新分类节点，查看其属性。
5. 在 "重新分类为"部分，选择 "现有字段"。
6. 接下来，在 "重新分类字段"部分，选择 "活动"。
7. 单击获取值。 活动值会添加到 "ORIGINAL VALUE列。
8. Notice, that in the 价值观 section in the NEW VALUE column, there are four rows:
   • Mortgage
   • Car loan
   • Savings
   • Pension
9. 单击保存。

检查您的进度

下图显示了重新分类节点。 现在您可以探索SLRM节点了。

返回到顶部

按照以下步骤探索SLRM节点：

1. 双击活动 (SLRM)节点，查看其属性。
2. 在目标字段中选择 "campaign，在目标响应字段中选择 "response。
3. 在 "模型选项"下，将 "每条记录的最大预测次数"减至2。 这就意味着，对每个客户而言，都有两个被接受概率最高的报价。
4. 确保选择 "考虑模型的可靠性"。
5. 单击保存。

检查您的进度

下图说明了该流。 现在就可以生成模型了。

返回到顶部

请按照以下步骤生成模型：

1. 将鼠标悬停在活动 (SLRM)节点上，然后单击运行图标 "。
2. 在 "输出和模型"窗格中，单击活动模型查看结果。

   初始视图显示了每个报价的预测的估计准确性。 您还可以单击预测变量重要性以查看每个预测变量在估计模型时的相对重要性，或者单击与响应关联以显示每个预测变量与目标变量的相关性。

   

3. 使用 "查看"菜单可在预测的四个报价之间进行切换。
4. 返回到该流程。

检查您的进度

下图说明了该流。 现在您可以尝试使用其他数据资产节点了。

返回到顶部

按照以下步骤尝试使用其他数据资产节点：

1. 断开pm_customer_train1.csv节点与Filler节点的连接。
2. 将pm_customer_train2.csv节点连接到Filler节点。
3. 双击活动 (SLRM)节点，在 "构建选项"下确保选择 "继续训练现有模型"。
4. 单击保存。
5. 运行该流程以重新生成模型块。 将鼠标悬停在活动 (SLRM)节点上，然后单击运行图标 "。
6. 在 "输出和模型"窗格中，单击活动模型查看结果。 模型现在将显示修改后的每个报价预测准确性的估计。

   

7. 断开pm_customer_train2.csv节点与Filler节点的连接。
8. 将pm_customer_train3.csv节点连接到Filler节点。
9. 运行该流程以重新生成模型块。 将鼠标悬停在活动 (SLRM)节点上，然后单击运行图标 "。
10. 在 "输出和模型"窗格中，单击活动模型查看结果。

    

    模型现在将显示对于每个报价的预测准确性的最终估计。 如您所见，当您添加了其他数据源时，平均准确性略有下降。 然而，这种波动是微乎其微的，可能是由于现有数据中的轻微异常造成的。

11. 将鼠标悬停在表格节点上，然后单击运行图标 "。
12. 在 "输出和模型"窗格中，单击 "表"模型查看结果。

    

表中的预测显示了客户最有可能接受的报价以及他们接受该报价的信心，具体取决于每位客户的详细信息。 例如，在第一行中，只有13.2置信度（"$SC-campaign-1列中的值 "0.132表示）认为以前贷款买车的客户在获得养老金后会接受养老金。 然而，第二行和第三行显示的是另外两名同样申请了汽车贷款的客户；在他们的案例中，如果提供一个储蓄账户，他们和其他有类似经历的客户开立储蓄账户的置信度为95.7，接受养老金的置信度超过 80%。

关于SPSS Modeler中使用的建模方法的数学基础说明，请参阅《SPSS Modeler算法指南》。

这些结果仅基于训练数据。 为了评估模型对现实世界中其他数据的泛化程度，您可以使用分区节点来保留记录子集，以便进行测试和验证。

检查您的进度

下图说明了该流。

返回到顶部