Rattle：數據挖掘的界面化操作

R語言是一個自由、免費、源代碼開放的軟體，它是一個用於統計計算和統計製圖的優秀工具。這裡的統計計算可以是數據分析、建模或是數據挖掘等，通過無數大牛提供的軟體包，可以幫我們輕鬆實現演算法的實施。

一些讀者覺得R語言零碎的東西太多了，無法記住那麼多函數和功能，於是就問R語言有沒有一種類似於SAS之EM或SPSS之Modeler的界面化操作。很幸運，Graham等人特地為「偷懶」的分析師寫了rattle包，通過該包就可以實現界面化操作的數據分析、數據挖掘流程。下面就跟大家詳細介紹一些這款免費的工具：

上圖紅色區域就是數據分析與挖掘的流程，包括：數據源(Data)-->數據探索與檢驗(Explore、Test)-->數據變換(Transform)-->數據挖掘(Cluster、Associate、Model)-->模型評估(Evaluate)。

首先，你會經歷「一勞永逸」的過程：安裝rattle包

不瞞您說，我首次在自己的64位Win7系統中安裝rattle包時花費了不少功夫。當你install.packages(rattle)時，覺得非常輕鬆就下載好了，但是進入library(rattle)並輸入rattle()時它會報告各種.dll文件不存在。如果您決定要試試,就下載缺失的dll文件到您的電腦里。

其次，我們來介紹一下rattle數據挖掘操作界面都有哪些東西：

1）數據源(Data)

一切數據分析與挖掘都起源於數據，故第一步就是往rattle中導入數據源，數據源可以是外部數據源，如txt文件、csv文件、Excel文件等；也可以是資料庫數據，通過ODBC連接諸如SQL Server、MySQL等資料庫；也可以是當前R空間下的數據集；也可以是外部R數據集文件、還可以是R包自帶的數據集。

2）數據探索與檢驗(Explore、Test)

有了數據後，需要進行數據探索，如匯總(Summary)、分布(Distributions)、相關性分析(Correlation)、主成分分析(Principal Components)、t檢驗、F檢驗、K-S正態性檢驗、Wilcoxon檢驗等

3）數據變換(Transform)

當數據存在缺失或需要從新編碼、標準化時，就需要這裡的數據變換了

4）數據挖掘(Cluster、Associate、Model)

當數據清洗乾淨或對數據有了基本了解後，就要進入數據挖掘過程，rattle工具提供了常用的數據挖掘演算法，如：K-means聚類、層次聚類、關聯規則、決策樹、隨機森林、支持向量機、線性回歸、Logistic回歸、神經網路等

5）模型評估(Evaluate)

當模型選定，並進入模型運算後，需要對模型進行評估，選擇比較理想的模型用著後期數據的部署。有關模型評估，rattle提供了混淆矩陣、風險矩陣、成本曲線、Lift曲線、ROC曲線等方法。

最後，我們就用這個rattle做一個實戰，數據集就使用C50包中的churnTrain，該數據集是德國某電信公司客戶是否流失的數據集。

1）讀取數據集

選擇好數據集後，點擊「執行」，默認數據集將分為三個子集，即訓練集佔70%、訓練集和檢驗集各佔15%，最後將指定哪些變數為解釋變數和被解釋變數，如有不需要的變數，則選為「Ignore」

2）數據探索

選擇Summary單選、並選擇Summary、Describe、Basic、Kurtosis等複選框後，看看都有哪些返回結果：

Summary結果

Discribe結果

Basic基本統計量結果

還有很多數據探索的內容，這裡就不一一說明了，希望讀者能自行執行，並了解數據的大致情況。

3）數據挖掘

判斷客戶是否流失，是一種分類問題，下面綜合考慮使用Logistic回歸、決策樹、隨機森林三種分類演算法。

簡單看一下這三種演算法的結果：

Logistic回歸的結果：

決策樹的結果：

隨機森林的結果：

4）模型評估

這裡我們使用混淆矩陣和ROC曲線兩種評估模型的方法，具體結果見下圖的展示：

結果顯示，三個模型的優劣順序為：隨機森林、決策樹和Logistic回歸

本文只是帶大家進入rattle這個界面化操作的數據分析和挖掘工具，更多探索和玩法還需要大家進一步研究。歡迎各位交流與探討有關數據分析的問題。

----------------------------------------------

作者：劉順祥

出處：劉順祥博客

公眾號：每天進步一點點2015

大家也可以加小編微信：tswenqu，進R語言中文社區 交流群，可以跟各位老師互相交流

推薦閱讀：