Das Beispielprojekt enthält mehrere Datensätze und Modellierungsabläufe. Wenn Sie noch nicht über das Beispielprojekt verfügen, lesen Sie bitte das Thema Tutorials, um das Beispielprojekt zu erstellen. Gehen Sie dann wie folgt vor, um das Beispielprojekt zu öffnen:

1. Wählen Sie in Cloud Pak for Data aus dem Navigationsmenü " Projekte > Alle Projekte anzeigen.
2. Klicken Sie auf SPSS Modeler.
3. 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.

Zurück zum Seitenanfang

Angebote an Kunden machen - Der Self-Learning Modeler Flow umfasst mehrere Knotenpunkte. Gehen Sie wie folgt vor, um die Knoten Data Asset und Filler zu untersuchen:

1. Öffnen Sie auf der Registerkarte Assets den Modellierungsablauf Angebote für Kunden - Selbstlernen und warten Sie, bis die Leinwand geladen ist.
2. Doppelklicken Sie auf den Knoten pm_customer_train1.csv. Dieser Knoten ist ein Data Asset-Knoten, der auf die Datei pm_customer_train1.csv im Projekt verweist.
3. Überprüfen Sie die Eigenschaften des Dateiformats.
4. Optional: Klicken Sie auf Datenvorschau, um den vollständigen Datensatz zu sehen.
5. Doppelklicken Sie auf den Knoten Füller.
   Füllknoten werden verwendet, um Feldwerte zu ersetzen und die Speicherung zu ändern. Sie können auswählen, dass die Werte auf der Grundlage einer angegebenen CLEM-Bedingung ersetzt werden sollen, beispielsweise @BLANK(FIELD). Alternativ können Sie auswählen, dass alle Leerstellen oder Nullwerte mit einem bestimmten Wert ersetzt werden sollen. Füllknoten werden häufig zusammen mit dem Knoten Typ verwendet, um fehlende Werte zu ersetzen.
   Im Abschnitt Felder ausfüllen können Sie die Felder aus dem Dataset angeben, deren Werte untersucht und ersetzt werden sollen. In diesem Fall wird die Spalte " campaign zusammen mit einer Auswahl "Immer" unter dem Abschnitt " Ersetzen" angegeben.
6. Klicken Sie auf Abbrechen.

Überprüfen Sie Ihren Fortschritt

Das folgende Bild zeigt den Filler-Knoten. Sie können nun die Knoten "Typ" und " Reklassifizieren" untersuchen.

Zurück zum Seitenanfang

Führen Sie die folgenden Schritte aus, um die Knoten " Typ" und " Neu klassifizieren" zu untersuchen:

1. Doppelklicken Sie auf den Knoten Typ, um seine Eigenschaften anzuzeigen.
   Mit dem Knoten Typ können Sie angeben, welche Arten von Feldern Sie verwenden und wie diese zur Vorhersage der Ergebnisse verwendet werden. Beachten Sie, dass die Rolle für die Felder " campaign und " response auf "Ziel" gesetzt ist. Die angegebenen Ziele sind die Felder, auf die Sie Ihre Vorhersagen stützen wollen. Die Maßnahme wird für das Feld " response auf Flag gesetzt.
2. Klicken Sie auf Werte lesen.

   

3. Klicken Sie auf Speichern.

   Da die Daten des Kampagnenfelds eine Liste mit Zahlen (1, 2, 3 und 4) enthalten, können Sie die Felder umcodieren, um ihnen aussagekräftigere Titel zu geben.

4. Doppelklicken Sie auf den Knoten Reclassify, um seine Eigenschaften anzuzeigen.
5. Wählen Sie im Abschnitt Umgliedern in das Feld Vorhanden aus.
6. Wählen Sie dann im Abschnitt Feld neu klassifizieren die Option Kampagne.
7. Klicken Sie auf Abrufen. Die Werte der Kampagne werden der Spalte " ORIGINAL VALUE hinzugefügt.
8. Beachten Sie, dass es im Abschnitt Werte in der Spalte " NEW VALUE vier Zeilen gibt:
   • Mortgage
   • Car loan
   • Savings
   • Pension
9. Klicken Sie auf Speichern.

Überprüfen Sie Ihren Fortschritt

Das folgende Bild zeigt den Knoten Reclassify. Sie sind nun bereit, den SLRM-Knoten zu erkunden.

Zurück zum Seitenanfang

Folgen Sie diesen Schritten, um den SLRM-Knoten zu erkunden:

1. Doppelklicken Sie auf den Knoten Kampagne (SLRM), um seine Eigenschaften anzuzeigen.
2. Wählen Sie campaign für das Zielfeld und response für das Zielantwortfeld aus.
3. Reduzieren Sie unter Modelloptionen für Maximale Anzahl von Vorhersagen pro Datensatz die Zahl auf 2. Das bedeutet, dass für jeden Kunden zwei Angebote ermittelt werden, die die höchste Wahrscheinlichkeit haben, angenommen zu werden.
4. Stellen Sie sicher, dass die Option Modellzuverlässigkeit berücksichtigen ausgewählt ist.
5. Klicken Sie auf Speichern.

Überprüfen Sie Ihren Fortschritt

Die folgende Abbildung zeigt den Ablauf. Sie sind nun bereit, das Modell zu erstellen.

Zurück zum Seitenanfang

Folgen Sie diesen Schritten, um das Modell zu erstellen:

1. Bewegen Sie den Mauszeiger über den Knoten " Kampagne (SLRM)" und klicken Sie auf das Ausführungssymbol " .
2. Klicken Sie im Fensterbereich Ausgaben und Modelle auf das Kampagnenmodell, um die Ergebnisse anzuzeigen.

   Die Eingangsanzeige enthält die geschätzte Genauigkeit der Vorhersagen für jedes Angebot. Sie können auch auf Prädiktoreinfluss klicken, um die relative Wichtigkeit jedes Prädiktors für die Schätzung des Modells anzuzeigen, oder klicken Sie auf Assoziation mit Antwort, um die Korrelation der einzelnen Prädiktoren mit der Zielvariablen anzuzeigen.

   

3. Um zwischen den vier Angeboten zu wechseln, für die es Vorhersagen gibt, verwenden Sie das Menü Ansicht.
4. Kehren Sie zum Ablauf zurück.

Überprüfen Sie Ihren Fortschritt

Die folgende Abbildung zeigt den Ablauf. Sie können nun mit anderen Daten-Asset-Knoten experimentieren.

Zurück zum Seitenanfang

Folgen Sie diesen Schritten, um mit anderen Daten-Asset-Knoten zu experimentieren:

1. Trennen Sie den Knoten pm_customer_train1.csv vom Knoten Filler.
2. Verbinden Sie den Knoten pm_customer_train2.csv mit dem Knoten Filler.
3. Doppelklicken Sie auf den Knoten Kampagne (SLRM) und vergewissern Sie sich, dass unter den Build Options die Option Continue training existing model ausgewählt ist.
4. Klicken Sie auf Speichern.
5. Führen Sie den Ablauf aus, um das Modellnugget erneut zu erstellen. Bewegen Sie den Mauszeiger über den Knoten " Kampagne (SLRM)" und klicken Sie auf das Ausführungssymbol " .
6. Klicken Sie im Fensterbereich Ausgaben und Modelle auf das Kampagnenmodell, um die Ergebnisse anzuzeigen. Das Modell weist nun die revidierten Schätzungen für die Genauigkeit der Vorhersagen für die einzelnen Angebote auf.

   

7. Trennen Sie den Knoten pm_customer_train2.csv vom Knoten Filler.
8. Verbinden Sie den Knoten pm_customer_train3.csv mit dem Knoten Filler.
9. Führen Sie den Ablauf aus, um das Modellnugget erneut zu erstellen. Bewegen Sie den Mauszeiger über den Knoten " Kampagne (SLRM)" und klicken Sie auf das Ausführungssymbol " .
10. Klicken Sie im Fensterbereich Ausgaben und Modelle auf das Kampagnenmodell, um die Ergebnisse anzuzeigen.

    

    Das Modell zeigt nun die endgültige geschätzte Genauigkeit der Vorhersagen für die einzelnen Angebote an. Wie Sie sehen können, nahm die durchschnittliche Genauigkeit geringfügig ab, als Sie die zusätzlichen Datenquellen hinzufügten. Diese Schwankung ist jedoch minimal und könnte auf leichte Anomalien in den verfügbaren Daten zurückzuführen sein.

11. Bewegen Sie den Mauszeiger über den Tabellenknoten und klicken Sie auf das Ausführungssymbol " .
12. Klicken Sie im Fensterbereich Ausgaben und Modelle auf das Tabellenmodell, um die Ergebnisse anzuzeigen.

    

Die Vorhersagen in der Tabelle zeigen, welche Angebote ein Kunde am ehesten annehmen wird und wie hoch die Wahrscheinlichkeit ist, dass er dieses Angebot annimmt, je nach den Angaben des Kunden. In der ersten Zeile gibt es zum Beispiel nur ein 13.2 Konfidenzniveau (gekennzeichnet durch den Wert " 0.132 in der Spalte " $SC-campaign-1 ), dass ein Kunde, der zuvor einen Autokredit aufgenommen hat, eine Rente annimmt, wenn er sie angeboten bekommt. In der zweiten und dritten Zeile sind jedoch zwei weitere Kunden zu sehen, die ebenfalls einen Autokredit aufgenommen haben; in ihren Fällen besteht eine 95.7 Zuversicht, dass sie und andere Kunden mit ähnlicher Vorgeschichte ein Sparkonto eröffnen, wenn ihnen eines angeboten wird, und eine über 80 %ige Zuversicht, dass sie eine Rente annehmen.

Erläuterungen zu den mathematischen Grundlagen der Modellierungsmethoden, die in SPSS Modeler verwendet werden, finden Sie im SPSS Modeler Algorithms Guide.

Diese Ergebnisse beruhen nur auf den Trainingsdaten. Um zu beurteilen, wie gut das Modell auf andere Daten in der realen Welt verallgemeinert werden kann, verwenden Sie einen Partitionsknoten, um eine Untergruppe von Datensätzen zu Test- und Validierungszwecken herauszuhalten.

Überprüfen Sie Ihren Fortschritt

Die folgende Abbildung zeigt den Ablauf.

Zurück zum Seitenanfang