80 likes | 368 Views
Fuzzy Rule Learner. Wissensextraktion / Data-Mining Prof. Dr. Lämmel , Prof. Dr. Cleve HS Wismar. Adil Khalat Tobias Oeberst Marian Sakowski. Ablauf. Algorithmus Datensatz Datenvorbereitung Aufbau in Knime Ergebnisse. Algorithmus: Fuzzy-Rule-Learner. Klasse Grü n: a , b
E N D
FuzzyRuleLearner Wissensextraktion / Data-Mining Prof. Dr. Lämmel, Prof. Dr. Cleve HS Wismar Adil Khalat Tobias Oeberst Marian Sakowski
Ablauf • Algorithmus • Datensatz • Datenvorbereitung • Aufbau in Knime • Ergebnisse
Algorithmus: Fuzzy-Rule-Learner KlasseGrün: a, b KlasseBlau: c c b a
Datensatz • Kundendaten eines Energieversorgers • Potentielle Kündiger filtern • Kündiger sollen Rabatttarif erhalten • 10000 Datensätze • 32 Merkmale • Meist ordinale Merkmale
Datenvorbereitung • Normalisierung • Fehlende Werte auffüllen • Entfernen von Spalten (z.B. Straßentyp o. Anteil Deutscher)
Ergebnis • Optimaler Kundenwert: 691.800 € (0 %) • Erste Vorhersage: 647.859 € (11,45 %) • Nach Normalisierung: 648.120 € (11,46 %) • MissingValues (Mean): 648.574 € (10,53 %) • Fuzzy-Norm (Product Norm): 648.671 € (10,56 %) • Entfernung Psycho-, Pharma-, PKW-Indizes, Anteil Deutscher: 649.097 € (11,55 %) • Bester Kundenwert (Entfernung Straßentyp): 649.225 € (11,66 %)