发帖
雷达卡
该案例的工作流如下：
1、商业目标
业务理解：该案例所用的数据是一份医生诊病的数据，如下：
表1：数据视图
其中，年龄、性别、血压、胆固醇、钠、钾是病人的指标，而药物是医生针对病人的情况开出的药物。
业务目标：建立专家诊病系统，当把病人的指标输入到该系统时，系统会自动输出该给此类病人开出的药物。
数据挖掘目标：建立专家诊病模型，该模型以病人的病例指标为输入，以药物为目标，建立预测模型，该模型可以根据输入指标的值，计算预测值（药物）。
操作实现：
2、新建工作流可以点击文件菜单下的"新建"或者点击工具栏左方的新建按钮（
）开始创建工作流。点击后会弹出以下向导界面：
选中
，按 
：
输入工作流的名字后即可完成创建：
图1：新建工作流
3、导入数据
此时要根据数据存储文件的格式选择相应的导入节点。在这里由于数据源是CSV文件，因此可以选择CSV导入节点（也可以使用平面文件）。将左侧节点库中CSV导入节点拖到右侧的工作流中。双击节点或者右键菜单中选择"配置"，弹出如下配置窗口：
图2：CSV节点配置
点击
按钮，选择相应的数据文件。
注意，此处如果数据第一行包含字段名，则选中
（该数据有），如果有行ID字段，则选中 
（该数据无，则不选中）。配置完成后，点击 
。节点下方的预警符号从
变成了 
。红色表示节点尚未配置或者配置有误，此时节点不可执行；黄色表示节点可以执行。点击右键菜单的 
或者点击工具栏的 
，即可执行工作流。执行完成后预警符号变成 
。
点击右键菜单的
可以查询数据。另外，节点的右端口也会悬停显示数据的行数和字段数。
4、理解数据
使用统计分析菜单下的统计节点可以对数据进行描述，这是建模之前必须要做的工作，一方面是为了设计合理的实施方案，另外一方面也是为了更好的选择合适的算法。从表2中可以看出每种分类变量的取值及每种取值的个数。比如，从这里我们可以看出药物字段一共包含五种取值，且出现最多的是Y药物。在这里目标变量为分类型，因此只能选择分类预测类模型，如决策树、逻辑回归等。
表2：数据描述
5、预建模
接下来便是尝试建模，看看建模效果。
图3：预建模
首先，从数据准备的行菜单中选择分区节点。使用分区节点可以将数据集分成测试集和训练集，训练集用于训练模型，测试集用于测试模型。配置如下：
注意，如果选中使用随机种子（
），则每次运行分区结果将会是一样的，否则每次运行的结果将会不同，进而建模的结果也会不同。通常是选择选中该项，使得训练集和测试集都固定。另外，此处还有个很重要的用途，不选中 
，多次运行可以测试数据分布规律和模型稳定性。还有一点要注意，这里分区即把数据集随机分成两份，通常训练集要比测试集大，通常分为5：5，6：4，7：3，8：2，9：1。数据集越小，训练集应该分的更多，原因是要保证模型的稳定性，参与训练的数据要足够多。实际中，各种比例都会尝试，目的有二：一是选择最佳的比例，二是测试模型的稳定性。
其次，选择分类预测节点，因为目标变量（药物）为分类型。此处我们重点学习决策树算法，所以就先选择决策树算法节点。节点连接如上图3所示，在决策树（训练）节点配置中选择目标变量药物。其中，决策树（训练）节点连接分区节点的第一个输出端口（训练集），决策树（预测）节点的数据输入端口连接分区节点的第二个输出端口（测试集），模型输入端口连接决策树（训练）节点的输出端口。决策树训练节点和预测节点的配置分别如下：
最后，使用分类评估节点评估模型的准确性。配置如下图所示：
评估结果：
表3：模型评估1
从表3中可以看出，模型测试准确度为90%，误判10%。预建模的目的是为了从整体判断现有变量与目标变量的相关性，以便可以根据经验预估最终的效果和可操作性。
接下来如何优化模型呢？通常来说有三种办法：第一，增加新数据，以便引入更多重要的影响因素；第二，尝试其他模型，以便找到更适合的模型；第三，优化输入，即基于已有数据派生更多重要的变量，或者过滤不重要的变量。这三者中，第一种最难以实现，一般企业的数据是有限的，企业内部可用数据及外部可用网络数据，在项目需求调研阶段就应该明确，而企业外部行业数据难以获取。第二种最容易尝试，所有可用模型可以快速尝试一遍，这个是每个项目中都必做的，但却不是最重要的方法。而第三种方法才是项目中最可行，也是最重要的办法。
如何优化输入？这是第三种方法的实现目标。而优化输入最重要的环节就是数据探索。
6、数据探索
本文源自：http://wiki.smartbi.com.cn/pages/viewpage.action?pageId=13599812
京公网安备 11010802022788号
