Erstellen eines Entscheidungsbaums

Richten Sie einen Entscheidungsbaum ein, indem Sie einen positiven Fall identifizieren und Metrik- und Dimensionseingaben hinzufügen, um die Daten zu bewerten und den Entscheidungsbaum zu untersuchen.

Führen Sie diese Schritte aus, um eine Entscheidungsstruktur zu erstellen.

1. Öffnen Sie einen neuen Arbeitsbereich.

   Nach dem Öffnen eines neuen Arbeitsbereichs müssen Sie möglicherweise auf Hinzufügen > Vorübergehendes Entsperren.

2. Um den Decision Tree Builder zu öffnen, klicken Sie mit der rechten Maustaste auf Visualization > Predictive Analytics > Klassifizierung > Decision Tree Builder.

3. Legen Sie eine Positiver Fall.

   Sie können eine positive Groß-/Kleinschreibung für einen Entscheidungsbaum definieren, indem Sie Dimensionen in einem Finder oder Dimensionselemente in einer Tabelle auswählen oder im Designfilter einen Filter entwerfen. Der positive Fall kann eine Kombination aus mehreren Auswahlen im Arbeitsbereich sein, einschließlich Filtern, Dimensionen, Elementen und allen Arten von Visualisierungswerten für Data Workbenchs.

   • Erstellen und Anwenden eines Filters als positiven Fall. Klicken Sie mit der rechten Maustaste in den Arbeitsbereich und wählen Sie Tools > Filter Editor , um einen Filter zu entwerfen und anzuwenden.

   • Hinzufügen Dimensionen als positiven Fall. Klicken Sie im Arbeitsbereich mit der rechten Maustaste und wählen Sie Instrumente > Finder (oder wählen Sie Add > Finders im linken Bereich). Geben Sie einen Dimensionsnamen in die Suche und wählen Sie dann eine Dimension aus.

   • Hinzufügen Metriken als positiven Fall. Klicken Sie mit der rechten Maustaste und wählen Sie Instrumente > Finder oder wählen Sie Add > Finders im linken Bereich, um eine Metriktabelle zu öffnen. Wählen Sie eine Metrik als positiven Fall aus.

   • Hinzufügen Dimensionen als positiven Fall. Klicken Sie mit der rechten Maustaste in den Arbeitsbereich und wählen Sie Table um Dimensionselemente zu öffnen, wählen Sie dann aus den Dimensionselementen aus, um Ihre positive Groß-/Kleinschreibung festzulegen.

4. Klicken Sie auf Options > Set Positive Case.

   Dadurch wird die positive Groß-/Kleinschreibung festgelegt und der Name kann geändert werden. Der Name wird unter dem Positive Case in den Arbeitsbereich.

   HINWEIS

   Wenn Sie den positiven Fall festlegen, verwendet die Entscheidungsstruktur die aktuelle Arbeitsbereichsauswahl, die als Besucher (oder eine beliebige Zählung der obersten Ebene, in den meisten Fällen jedoch Besucher) definiert werden kann, die mit der aktuellen Auswahl im Arbeitsbereich übereinstimmen. Diese werden als einzelner Filter für einen einzelnen positiven Fall (nicht für mehrere positive Fälle) kombiniert.

   Klicken Set Positive Case Wenn keine Auswahl erfolgt, wird der positive Fall gelöscht.

5. (optional) Wählen Sie Set Population Filters , um die zu klassifizierende Besucherpopulation zu definieren.

   Wenn kein Populationsfilter angewendet wird, wird der Trainings-Satz aus allen Besuchern gezogen (der Standardwert lautet "Alle").

   HINWEIS

   Klicken Sie auf Show Complex Filter Description um die Filterskripten für den Filter Positive Groß-/Kleinschreibung und Population anzuzeigen.

6. Hinzufügen Metriken, Dimensionen und Dimensionen als Eingaben.

   Sie können Eingaben auswählen, indem Sie sie aus den Finder-Bedienfeldern oder aus Tabellen für einzelne Dimensionselemente ziehen und ablegen. Sie können auch aus dem Metrics in der Symbolleiste.

   • Hinzufügen Metriken als Eingaben.

     Wählen Sie in der Symbolleiste Metriken aus. Presse Strg + Alt , um eine oder mehrere Metriken in den Entscheidungsbaum-Builder zu ziehen.

     Die Metrik wird im Liste "Eingabe"(Metriken) als Eingabe mit einzigartiger Farbcodierung.

     

   • Hinzufügen Dimensionen als Eingaben.

     Klicken Sie im Arbeitsbereich mit der rechten Maustaste und wählen Sie Instrumente > Finder und geben Sie den Dimensionsnamen in die Suche -Feld. Presse Strg + Alt, wählen Sie eine Dimension aus und ziehen Sie die Dimension in den Entscheidungsbaum-Builder.

     Die Dimension wird im Eingabe (Dimensionen) Liste mit einer eindeutigen Farbcodierung.

   • Hinzufügen Dimensionen als Eingaben.

     Klicken Sie im Arbeitsbereich mit der rechten Maustaste und wählen Sie eine Dimension-Tabelle aus. Dimension Elements auswählen, drücken Sie die Strg + Alt und ziehen Sie die ausgewählten Elemente in den Entscheidungsbaum-Builder.

     Die Dimensionselemente werden im Eingabe (Elemente) Liste mit einer eindeutigen Farbcodierung.

   WICHTIG

   Sie können bis zu vierzehn zu bewertende Eingaben auswählen. Wenn zu viele Eingaben hinzugefügt werden, wird eine Fehlermeldung angezeigt.

7. Auswählen Go aus der Symbolleiste.

   Der Entscheidungsbaum wird auf der Grundlage der ausgewählten Dimensionen und Metriken erstellt. Einfache Metriken wie Zusätze zum Warenkorb werden schnell erstellt, während komplexe Dimensionen wie die Besuchsdauer mit mehreren Datenpunkten langsamer aufgebaut werden und ein Prozentsatz des Abschlusses bei der Konvertierung angezeigt wird. Die Baumdiagrammdarstellung schneidet dann und öffnet sich für Benutzerinteraktionen. Die Eingaben von Dimensionen und Metriken sind farbcodiert und entsprechen den Knotennamen.

   

   Der Blattknoten wird als grün (true) oder rot (false) angezeigt, wenn der Baum beschnitten wurde und eine Prognose für True oder False nach den zerschnittenen Zweigen.

   HINWEIS

   Das Schulungsbeispiel wird aus dem Datensatz abgerufen, damit der Baum-Builder verwendet werden kann. Data Workbench verwendet 80 Prozent der Probe zum Erstellen des Baums und die restlichen 20 Prozent, um die Genauigkeit des Baummodells zu bewerten.

8. Überprüfen der Genauigkeit mithilfe der Confusion Matrix.

   Klicken Options > Confusion Matrix um die Werte für Genauigkeit, Recall, Genauigkeit und F-Score anzuzeigen. Je näher 100 Prozent sind, desto besser ist das Ergebnis.

   Die Konfusionsmatrix gibt vier Genauigkeitszähler des Modells anhand einer Kombination von Werten an:

   • Tatsächliche positive Werte (AP)
   • Prognostiziertes positives (PP)
   • Tatsächliche Negative (AN)
   • Prognostizierte Negative (PN)
   TIPP

   Diese Zahlen erhalten Sie durch Anwendung des resultierenden Scoring-Modells der 20 Prozent zurückbehaltenen Testdaten, die bereits als wahre Antwort bezeichnet werden. Wenn der Wert größer als 50 Prozent ist, wird er als positiver Fall prognostiziert (der mit dem definierten Filter übereinstimmt). Dann, Genauigkeit = (TP + TN)/(TP + FP + TN + FN), Recall = TP / (TP + FN) und Precision = TP / (TP + FP).

9. Entscheidungsstruktur durchsuchen.

   Nach dem Generieren einer Entscheidungsstruktur können Sie den Pfad der Prognose anzeigen und alle Besucher identifizieren, die die definierten Kriterien erfüllen. Der Baum identifiziert die Eingabeaufteilung für jeden Zweig anhand seiner Position und Farbkodierung. Wenn Sie beispielsweise den Knoten Referrer-Domäne auswählen, werden die Knoten, die zu dieser Aufspaltung führen, nach Farbcode links vom Baum aufgelistet.

   Sie können die Blattknoten auswählen, um Zweige (Regelsätze) des Entscheidungsbaums auszuwählen.

   Beispiel: Wenn die Besuchsdauer weniger als 1 beträgt, gibt es keine Kampagne, es gibt mindestens einen Seitenaufruf, keine E-Mail-Anmeldungen und es gab mindestens einen Besuch. Die Projektionen für diese Kriterien und die Bestellung sind 94,73 Prozent.

   

   Interaktion mit Entscheidungsbaum: Sie können mehrere Knoten im Baum mithilfe des Standardmodus Strg-Klick oder Umschalt+Klick zu löschen.

   Farbkodierte Knoten: Die Knotenfarbe entspricht der Farbe der Eingabedimensionen und Metriken, die der Data Workbench zugewiesen sind.

   Helle grüne und rote Knoten auf der Blattebene eines gepflückten Zweigs prognostizieren den Knoten als True oder False.

   Hellgrün	Identifiziert, dass der Knoten "true"ist und dass alle Bedingungen erfüllt sind.
   Hell rot	Identifiziert, dass der Knoten "false"ist und nicht alle Bedingungen erfüllt sind.

10. Entscheidungsbaum speichern.

    Sie können die Entscheidungsstruktur in verschiedenen Formaten speichern:

    

    • Prädiktive Markup-Sprache (PMML), ein XML-basiertes Dateiformat, das von Anwendungen zur Beschreibung und zum Austausch von Entscheidungsbaummodellen verwendet wird.
    • Text einfache Spalten und Zeilen mit dem Wert "true"oder "false", Prozentwerte, Anzahl der Mitglieder und Eingabewerte anzeigen.
    • A Dimension mit Zweigen, die den prognostizierten Ergebniselementen entsprechen.

Ressourcen für Business.Adobe.com

Device Graph Third Party Data First Party Data Marketing Attribution Anomaly Detection Web Analytics