Дерево решений (на примере данных о клиентах розничной сети)

ВВЕДЕНИЕ 3
РАЗДЕЛ 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ КЛАССИФИКАЦИИ ДАННЫХ 5
1.1. Сущность и значение классификации данных 5
1.2. Алгоритмы классификации данных 6
1.3. Инструментальные средства классификации данных 9
РАЗДЕЛ 2 КЛАССИФИКАЦИЯ ДАННЫХ О КЛИЕНТАХ РОЗНИЧНОЙ СЕТИ МЕТОДОМ ДЕРЕВА РЕШЕНИЙ В АНАЛИТИЧЕСКОЙ ПЛАТФОРМЕ ФОРСАЙТ 13
2.1. Анализ предметной области 13
2.2. Алгоритм дерева решений 14
2.3. Методика проведения дерева решений 16
2.4. Оценка полученных результатов 27
ЗАКЛЮЧЕНИЕ 33
СПИСОК ЛИТЕРАТУРЫ 34

Весь текст будет доступен после покупки

Современные условия, в которых функционируют информационные системы, предполагают использование неструктурированных данных и эффективных средств для работы с ними. Они собирают и обрабатывают огромные объемы быстро поступающей цифровой информации и анализируют её, находя определенные закономерности, что позволяет разработать системы для классификации и прогнозирования. Совсем недавно стало популярно использование машинного обучения, в основе которой лежат большие данные. Эта технология получила широкое распространение за счет того, что существует большой спектр сфер, где её можно использовать для решения задач.
Своевременная разработка и принятие правильного решения – главные задачи работы управленческого персонала любой организации. Когда нужно принять несколько решений в условиях неопределенности, когда каждое решение зависит от исхода предыдущего решения или исходов испытаний, то применяют схему, называемую деревом решений.
Актуальность выбранной темы объясняется тем, что метод дерева решений имеет большое значение для разработки эффективных решений. Метод деревьев решений является одним из наиболее популярных методов, используемых на этапе выбора альтернатив. У розничной сети очень разнообразный круг покупателей. Их много – всевозможных профессий и уровней дохода, от молодёжи до пенсионеров. Такое разнообразие не получится корректно описать несколькими бизнес-правилами, потому что невозможно охватить все сочетания критериев и вероятность потерять часть клиентов очень высока. Поэтому для розничных сетей очень важно как можно точнее сегментировать свою аудиторию. Здесь на помощь приходят технологии машинного обучения, которые дают бизнесу более точные прогнозы и ответы на важные вопросы. В настоящее время тренд на экологичность и формирование растущего интереса к натуральности косметических средств подтолкнули производителей к созданию новой ниши. Сегменты рынка, предлагающие продукты по уходу за кожей, изготовленные с использованием натуральных ингредиентов, переживают подъем. И, тем не менее, даже динамичный рост этого сегмента в 8-10% в год пока не способен удовлетворить потребности покупателей. Поэтому на этапе начала продвижения новой линии органической косметики крупной розничной сети очень важно понять своего потребителя и выявить, по каким правилам можно определить клиентов более склонных к приобретению продуктов новой линии.

Весь текст будет доступен после покупки

РАЗДЕЛ 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ КЛАССИФИКАЦИИ ДАННЫХ
1.1. Сущность и значение классификации данных
В анализе данных — разбиение множества объектов или наблюдений на априорно заданные группы, называемые классами, внутри каждой из которых они предполагаются похожими друг на друга, имеющими примерно одинаковые свойства и признаки. При этом решение получается на основе анализа значений атрибутов (признаков).
Классификация является одной из важнейших задач интеллектуального анализа данных. Она применяется в кредитно-финансовой сфере при оценке кредитоспособности заемщиков, определении лояльности абонентов телекоммуникационных компаний, в торговле, медицинской диагностике и многих других приложениях.
Если аналитику известны свойства объектов каждого класса, то когда новое наблюдение относится к определенному классу, данные свойства автоматически распространяются и на него.
Если число классов ограничено двумя, то имеет место бинарная классификация, к которой могут быть сведены многие более сложные задачи. Например, вместо определения таких степеней кредитного риска, как «высокий», «средний» или «низкий», можно использовать всего две — «выдать» или «отказать».
Для классификации в интеллектуальном анализе данных используется множество различных моделей: нейронные сети, деревья решений, машины опорных векторов, метод k-ближайших соседей, алгоритмы покрытия и др., при построении которых применяется обучение с учителем, когда выходная переменная задана для каждого наблюдения.

Весь текст будет доступен после покупки

1. 10 самых популярных алгоритмов машинного обучения знаний [Электронный ресурс]. – URL: https://mcs.mail.ru/blog/samye-populyarnye-algoritmy-mashinnogo-obucheniya (дата обращения: 30.11.2022)
2. 13 лучших инструментов для анализа данных знаний [Электронный ресурс]. – URL: https://new-science.ru/13-luchshih-instrumentov-dlya-analiza-dannyh/ (дата обращения: 28.11.2022)
3. 2.3. Решающие деревья знаний [Электронный ресурс]. – URL: https://academy.yandex.ru/handbook/ml/article/reshayushchiye-derevya (дата обращения: 30.11.2022)
4. Data Mining знаний [Электронный ресурс]. – URL: https://www.sites.google.com/site/upravlenieznaniami/tehnologii-upravlenia-znaniami/data-mining#TOC-Classification- (дата обращения: 20.11.2022).
5. Бринк Х., Ричардс Д., Феверолф М. Машинное обучение. - СПб.: Питер, 2017. - 88 с.
6. Гид по органической косметике. Она правда популярнее обычной? Как её отличить? знаний [Электронный ресурс]. – URL: https://mastera.academy/organic-cosmetics-guide/?ysclid=lb3nqmcqjw313489205 (дата обращения: 30.11.2022)
7. Две разные косметики: органическая и синтетическая знаний [Электронный ресурс]. – URL: https://biozka.ru/blog/item/two-different-cosmetics-organic-and-synthetic/?ysclid=lb3mnbwsw1179412944 (дата обращения: 29.11.2022)
8. Дерево решений: понятие, алгоритм работы, сферы применения метода знаний [Электронный ресурс]. – URL: https://gb.ru/blog/derevo-reshenij/?ysclid=lb3n7ygxk9545161821 (дата обращения: 30.11.2022)
9. Деревья решений: общие принципы знаний [Электронный ресурс]. – URL: https://loginom.ru/blog/decision-tree-p1?ysclid=lb3n6yev35288542217 (дата обращения: 30.11.2022)

Весь текст будет доступен после покупки