Кластеризация транзакций

В основе кластеризации транзакций лежит алгоритм CLOPE, применение которого позволяет обрабатывать огромные массивы транзакционных данных: чеки в супермаркетах, логи посещений веб-ресурсов и другие. Задача состоит в получении такого разбиения всего множества транзакций, чтобы похожие транзакции оказались в одном кластере, а отличающиеся друг от друга — в разных кластерах.

В данном демопримере рассматривается задача по определению кластеров, описывающих съедобные и ядовитые грибы.

Запустить демо

Установить локально

Описание алгоритма

1. Импорт данных

Импорт исходных данных

Исходный набор данных включает в себя 8124 записи с описанием 22 характеристик грибов. 4208 грибов являются съедобными, 3916 — несъедобными. Количество уникальных характеристик — 116.

Имя	Метка
class	Класс
cap_shape	Форма шапки
cap_surface	Поверхность шляпки
cap_color	Цвет шляпки
blue_spots	Синие пятна
smell	Запах
gill_attachment	Форма крепления гименофора к ножке
gill_spacing	Частота гименофора
gill_size	Размер гименофора
gill_color	Цвет гименофора
stalk_shape	Форма ножки
stalk_root	Корень ножки
stalk_surface_above_ring	Поверхность ножки выше кольца
stalk_surface_below_ring	Поверхность ножки ниже кольца
stalk_color_above_ring	Цвет ножки выше кольца
stalk_color_below_ring	Цвет ножки ниже кольца
veil_type	Тип покрывала
vei_color	Цвет покрывала
ring_number	Количество колец
ring_type	Остатки частного покрывала
spore_print_color	Цвет спор
population	Частота грибницы
habitat	Место обитания

2. Подготовка данных

Исходный набор данных не пригоден для использования в узле Кластеризация транзакций — его нужно привести к транзакционному виду (Транзакция — Элемент). Узлы, с помощью которых производится трансформация, объединены в подмодель Подготовка данных.

а) Добавление ID

С помощью узла Добавление ID добавлено новое поле — ID, которое необходимо для того, чтобы каждая запись набора имела уникальный идентификатор. Идентификаторы начинаются с 1:

RowNum() + 1

б) Транспонирование

Установлены следующие настройки для узла Свертка столбцов:

в группу Информационные добавлено поле ID
в группу Транспонируемые — все остальные поля

ID	Метки	Значения
1	Класс	ядовитый
...	...	...
1	Цвет гименофора	черный

в) Формирование свойства

В узле Формирование свойства сформировано новое поле property(Свойство) из названия характеристик и их значений с помощью функции Concat:

Concat(display_names, " — ", values)

Итоговый набор данных:

Свойство	Метки	Значения	ID
Класс - ядовитый	Класс	ядовитый	1
...	...	...	...
Цвет гименофора - черный	Цвет гименофора	черный	1

3. Кластеризация транзакций

Настройка Кластеризации транзакций

На странице Мастера настройки входных полей установлены следующие назначения:

Имя	Метка	Вид данных	Назначение
number	ID	Дискретный	Транзакция
property	Свойство	Дискретный	Элемент
display_names	Метки	Дискретный	Не задано
values	Значения	Дискретный	Не задано

Остальные настройки оставлены по умолчанию.

При изменении настроек переобучите модель.

Интерпретация результатов

Для представления результатов используются визуализаторы Таблица и Куб:

а) Настройка Таблицы

Для визуализатора Таблица используется набор данных из порта Параметры кластеров узла Кластеризация транзакций.

Таблица отражает информацию о параметрах разбиения и позволяет оценить кластеры по различным характеристикам:

Количество транзакций (N)
Ширина кластера (W)
Мощность кластера (S)

Можно сортировать кластеры по данным показателям. Например, можно выбрать самые мощные кластеры:

Номер кластера	N	W	S
17	1728	35	39744
6	1296	35	29808
9	1296	35	29808
2	768	34	17664
1	512	33	11776

б) Формирование данных для Куба

С помощью узла Слияние сопоставлены полученные кластеры и характеристики грибов.

Настройки узла:

Тип операции — Левое соединение
установлена связь по полю ID

в) Настройка Куба

Критерием качества работы алгоритма служит количество «грязных» кластеров, т.е. таких, в которых присутствуют как съедобные, так и несъедобные грибы. Чем меньше таких кластеров, тем лучше.

Настроим Куб следующим образом:

в область Измерений добавлено поле Номер кластера
в область Факты добавлено поле Свойство
настроен фильтр для поля Свойство — отображать только значения Класс — съедобный и Класс — ядовитый

Из Куба видно, что в результате кластеризации не получилось ни одного «грязного» кластера, что говорит о качественном разбиении.

data mining