Après avoir formé le modèle, on peut explorer son contenu à l'aide du navigateur d'arbre d'Analysis Manager. Ce navigateur affiche le contenu sous forme graphique, permettant d'évoluer dans les différentes portions du modèle. L'étude du contenu peut fournir aux analystes des renseignements importants sur les données et les aider à
Explorer le contenu du modèle de Datamining
comprendre leurs profils et règles.
Ultérieurement, l’analyste pourra appliquer
ces règles à de nouveaux ensembles
de données pour faire des
prédictions.
L’arbre de la figure 7 représente le
modèle de customer-churning trouvé
par l’algorithme MDT dans l’ensemble
de données de formation. L’algorithme
a trouvé que le revenu est l’attribut le
plus important pour prédire si un
client disparaîtra : les gens dont le revenu
est le plus faible ont la plus haute
probabilité de départ. L’algorithme divise
le revenu des clients en quatre
branches. Ensuite, l’algorithme de
l’arbre de décision choisit l’âge comme
le prédicteur suivant le plus significatif.
Au troisième niveau de prédiction, l’algorithme sélectionne le niveau
d’éducation pour les clients dont le revenu
est inférieur à 49.923, 75 dollars
et la valeur de la maison pour ceux
dont le revenu se situe entre
100.040,25 et 124.517,25 dollars. En se
fondant sur cette information, la
banque peut prédire la probabilité de
départ de chaque client.
Téléchargez cette ressource
Préparer l’entreprise aux technologies interconnectées
Avec la « quatrième révolution industrielle », les environnements hyperconnectés entraînent de nouveaux risques en matière de sécurité. Découvrez, dans ce guide Kaspersky, comment faire face à cette nouvelle ère de vulnérabilité.
Les articles les plus consultés
A travers cette chaîne
A travers ITPro
