Fuzzy Rule Learner Wissensextraktion DataMining Prof Dr Lmmel
- Slides: 8
Fuzzy Rule Learner Wissensextraktion / Data-Mining Prof. Dr. Lämmel, Prof. Dr. Cleve HS Wismar Adil Khalat Tobias Oeberst Marian Sakowski
Ablauf • • • Algorithmus Datensatz Datenvorbereitung Aufbau in Knime Ergebnisse Fuzzy Rule Learner Adil Khalat, Tobias Oeberst, Marian Sakowski 11. 06. 2013 2
Algorithmus: Fuzzy-Rule-Learner Klasse Grün: a, b Klasse Blau: c c b a Fuzzy Rule Learner Adil Khalat, Tobias Oeberst, Marian Sakowski 11. 06. 2013 3
Datensatz � Kundendaten eines Energieversorgers � Potentielle Kündiger filtern � Kündiger sollen Rabatttarif erhalten � 10000 Datensätze � 32 Merkmale � Meist ordinale Merkmale Kundenwert/Jahr Kündiger Kunde Erhält Angebot 43, 80 € 66, 30 € Erhält kein Angebot 0, 00 € 72, 00 € Fuzzy Rule Learner Adil Khalat, Tobias Oeberst, Marian Sakowski 11. 06. 2013 4
Datenvorbereitung � Normalisierung � Fehlende Werte auffüllen � Entfernen von Spalten (z. B. Straßentyp o. Anteil Deutscher) Fuzzy Rule Learner Adil Khalat, Tobias Oeberst, Marian Sakowski 11. 06. 2013 5
Aufbau in Knime Fuzzy Rule Learner Adil Khalat, Tobias Oeberst, Marian Sakowski 11. 06. 2013 6
Ergebnis � Optimaler Kundenwert: 691. 800 € (0 %) � Erste Vorhersage: 647. 859 € (11, 45 %) � Nach Normalisierung: 648. 120 € (11, 46 %) � Missing Values (Mean): 648. 574 € (10, 53 %) � Fuzzy-Norm (Product Norm): 648. 671 € (10, 56 %) � Entfernung Psycho-, Pharma-, PKW-Indizes, Anteil Deutscher: 649. 097 € (11, 55 %) � Bester Kundenwert (Entfernung Straßentyp): 649. 225 € (11, 66 %) Fuzzy Rule Learner Adil Khalat, Tobias Oeberst, Marian Sakowski 11. 06. 2013 7
Vielen Dank für die Aufmerksamkeit Fuzzy Rule Learner Adil Khalat, Tobias Oeberst, Marian Sakowski 11. 06. 2013 8