Utiliser le clustering pour créer des segments

diverses classes, discriminateurs et prédicteurs.
Indiquez plutôt quels champs vous
voulez que l’algorithme de clustering
utilise quand il évalue la similitude ou
la non-similitude des cas qu’il envisage
d’attribuer aux divers clusters.

Pour commencer la tâche de modélisation
du datamining pour l’analyse
en cluster, il faut indiquer les données
source. Comme avec l’arbre de
décision, vous pouvez pointer le
Mining Model Wizard sur la source de
données Conferences.mdb et utiliser
la table Customers comme cible de
l’analyse. Dans ce cas, l’algorithme se
concentrera sur les clients, évaluant
leurs similitudes partagées d’après divers
attributs pour déterminer à  quel
cluster ils appartiennent.

Une fois que vous avez sélectionné
la table de données cible, le wizard
vous demande d’indiquer la technique
de datamining. On procède comme
avec l’arbre de décision, mais dans ce
cas, sélectionnez Clustering comme
méthode de datamining.

Comme dans tous les modèles de
datamining, le wizard vous demande
d’indiquer l’unité d’analyse en sélectionnant
la clé de cas pour l’analyse.
Comme avec l’arbre de décision, la
base de cas, ou unité d’analyse, doit
être le niveau client, indiquez l’ID
client comme le champ clé. Comme le
montre la figure 7, le wizard d’analyse
vous demande ensuite d’indiquer les
champs à  utiliser pour former les clusters.
L’algorithme utilisera ces champs
pour estimer collectivement les similitudes
et non-similitudes entre les cas
pour former les clusters de clients.

Après avoir sélectionné les
champs, vous pouvez exécuter le modèle
cluster. Le traitement aboutit au
résultat de la figure 8. Les zones
Content Detail et Content Navigator
utilisent la couleur pour représenter la
densité du nombre d’observations (enregistrements
client dans chaque cluster).
Vous pouvez examiner les
résultats Attributes pour voir les caractéristiques
des divers clusters. Par défaut,
l’algorithme de datamining en clustering place arbitrairement les clusters
en 10 groupes homogènes distincts.
Toutefois, si vous voulez comprendre
les caractéristiques des
groupes, vous pourriez choisir de régler
le moteur de clustering pour produire
moins de clusters. Pour cet
exemple, choisissons trois clusters.
Pour changer le nombre de clusters
que l’algorithme génère, allez à  la boîte
de dialogue Properties dans le Mining
Model Editor et changez la valeur de
Cluster Count de 10 à  3. Ce changement
ordonne à  Analysis Manager de
recalculer les attributs et les membres
du cluster en essayant d’identifier 3
clusters au lieu des 10 par défaut. Pour
compléter ce recalcul, vous devez retraiter
le modèle datamining. Vous
pourrez ensuite examiner le modèle
pour voir les nouveaux résultats.