Rattle：数据挖掘的界面化操作

Posted 2020-09-02 holy_black_cat

R语言是一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。这里的统计计算可以是数据分析、建模或是数据挖掘等，通过无数大牛提供的软件包，可以帮我们轻松实现算法的实施。

一些读者觉得R语言零碎的东西太多了，无法记住那么多函数和功能，于是就问R语言有没有一种类似于SAS之EM或SPSS之Modeler的界面化操作。很幸运，Graham等人特地为“偷懒”的分析师写了rattle包，通过该包就可以实现界面化操作的数据分析、数据挖掘流程。下面就跟大家详细介绍一些这款免费的工具：

上图红色区域就是数据分析与挖掘的流程，包括：数据源(Data)-->数据探索与检验(Explore、Test)-->数据变换(Transform)-->数据挖掘(Cluster、Associate、Model)-->模型评估(Evaluate)。

首先，你会经历“一劳永逸”的过程：安装rattle包

不瞒您说，我首次在自己的64位Win7系统中安装rattle包时花费了不少功夫。当你install.packages(‘rattle‘)时，觉得非常轻松就下载好了，但是进入library(rattle)并输入rattle()时它会报告各种.dll文件不存在。如果您决定要试试,就下载缺失的dll文件到您的电脑里。

其次，我们来介绍一下rattle数据挖掘操作界面都有哪些东西：

1）数据源(Data)

一切数据分析与挖掘都起源于数据，故第一步就是往rattle中导入数据源，数据源可以是外部数据源，如txt文件、csv文件、Excel文件等；也可以是数据库数据，通过ODBC连接诸如SQL Server、mysql等数据库；也可以是当前R空间下的数据集；也可以是外部R数据集文件、还可以是R包自带的数据集。

2）数据探索与检验(Explore、Test)

有了数据后，需要进行数据探索，如汇总(Summary)、分布(Distributions)、相关性分析(Correlation)、主成分分析(Principal Components)、t检验、F检验、K-S正态性检验、Wilcoxon检验等

3）数据变换(Transform)

当数据存在缺失或需要从新编码、标准化时，就需要这里的数据变换了

4）数据挖掘(Cluster、Associate、Model)

当数据清洗干净或对数据有了基本了解后，就要进入数据挖掘过程，rattle工具提供了常用的数据挖掘算法，如：K-means聚类、层次聚类、关联规则、决策树、随机森林、支持向量机、线性回归、Logistic回归、神经网络等

5）模型评估(Evaluate)

当模型选定，并进入模型运算后，需要对模型进行评估，选择比较理想的模型用着后期数据的部署。有关模型评估，rattle提供了混淆矩阵、风险矩阵、成本曲线、Lift曲线、ROC曲线等方法。

最后，我们就用这个rattle做一个实战，数据集就使用C50包中的churnTrain，该数据集是德国某电信公司客户是否流失的数据集。

1）读取数据集

选择好数据集后，点击“执行”，默认数据集将分为三个子集，即训练集占70%、训练集和检验集各占15%，最后将指定哪些变量为解释变量和被解释变量，如有不需要的变量，则选为“Ignore”

2）数据探索

选择Summary单选、并选择Summary、Describe、Basic、Kurtosis等复选框后，看看都有哪些返回结果：

Summary结果

Discribe结果

Basic基本统计量结果

还有很多数据探索的内容，这里就不一一说明了，希望读者能自行执行，并了解数据的大致情况。

3）数据挖掘

判断客户是否流失，是一种分类问题，下面综合考虑使用Logistic回归、决策树、随机森林三种分类算法。

简单看一下这三种算法的结果：

Logistic回归的结果：

决策树的结果：

随机森林的结果：

4）模型评估

这里我们使用混淆矩阵和ROC曲线两种评估模型的方法，具体结果见下图的展示：

结果显示，三个模型的优劣顺序为：随机森林、决策树和Logistic回归

本文只是带大家进入rattle这个界面化操作的数据分析和挖掘工具，更多探索和玩法还需要大家进一步研究。欢迎各位交流与探讨有关数据分析的问题。