Statistics中的模型侧重于统计分析技术， 而Modeler则侧重于数据挖掘技术。它们都依据现有数据，运用某个或某几个特定的算法，来预测用户所关注信息的未来值。Statistics 和 Modeler提供众多的预测模型，这使得它们可以应用在多种商业领域中：如超市商品如何摆放可以提高销量；分析商场营销的打折方案，以制定新的更为有效的方案；保险公司分析以往的理赔案例，以推出新的保险品种等等，具有很强的商业价值。
Statistics和 Modeler产品中含有大量基于高级数学统计算法的预测模型，为了保证算法的严密性及结果的精确性，模型往往还需要许多详细的参数设定，这样就要求用户具有一定的统计专业知识，只有理解预测模型中的各项设置及运算结果的真实意义，才有可能结合结果做出正确的决策判断；另外，为了满足不同行业用户的需求，Statistics和 Modeler涉及到数学领域中多个不同的范畴，即使专业用户也很难了解所有模型，从而挑选出最适合他们应用的模型。
本系列文章从实际问题出发，通过一些实际生活中常见的商业问题来引出IBM SPSS 软件家族中的典型预测模型，手把手地指导用户如何在软件中对该模型进行设置，如何查看运行结果，讲解运行结果的真实意义，最后引申到如何将该结果应用于解决这个具体的商业问题中来。用这种最直观简单的方式使即使缺乏统计学背景的用户也能容易地理解这些预测模型，从而很好地使用我们的产品。 同时，文中也涉及了一定的统计知识，使具有专业知识的用户能依此线索尽可能多的了解我们的产品的方方面面，从而选择最适合他们问题的模型。
该模型利用数据挖掘的技术，在海量数据中依据该模型的独特算法发现数据内在的规律性联系，进而提供具有洞察力的分析解决方案。以下我们将通过一则超市销售商品的案例，利用 IBM SPSS Modeler 产品中的“关联规则模型”，来分析商品交易流水数据，以其发现合理的商品摆放规则，来帮助提高销量。文中将详细地描述产品的设置和使用方法，以及对计算结果的分析及应用。
式 1中面包是规则前项（Antecedent），牛奶是规则后项 (Consequent)。实例数（Instances）表示所有购买记录中包含面包的记录的数量。支持度（Support）表示购买面包的记录数占所有的购买记录数的百分比。规则支持度（Rule Support）表示同时购买面包和牛奶的记录数占所有的购买记录数的百分比。置信度（confidence）表示同时购买面包和牛奶的记录数占购买面包记录数的百分比。提升（Lift）表示置信度与已知购买牛奶的百分比的比值，提升大于 1 的规则才是有意义的。关联规则式 1的支持度 2% 意味着，所分析的记录中的 2% 购买了面包。置信度 60% 表明，购买面包的顾客中的 60% 也购买了牛奶。如果关联满足最小支持度阈值和最小置信度阈值，就说关联规则是有意义的。这些阈值可以由用户或领域专家设定。就顾客购物而言，根据以往的购买记录，找出满足最小支持度阈值和最小置信度阈值的关联规则，就找到顾客经常同时购买的商品。
此数据属于表格格式数据，每条记录表示顾客的一次购物。记录的字段包括卡号、顾客基本信息、付款方式和商品名称（每个商品一个字段 , 该商品字段值为 T, 表示购买该商品 , 值为 F 表示未购买，具体可参考表 2, 表格格式数据）。商品名称都有 fruitveg（水果蔬菜），freshmeat（生鲜肉），dairy（奶制品），cannedveg（罐装蔬菜），cannedmeat（罐装肉），fozenmeal（冻肉），beer（啤酒）, wine（酒类），softdrink（软饮），fish（鱼）, confectionery（甜食）。如何对这些数据进行分析和处理，本节会给出详细的演示。
类型节点是显示和设置数据每个字段的类型、格式和角色。从界面下方的“字段选项”卡中，将“类型”节点拖放到界面中，接着将数据节点和类型节点连接起来，或者直接在“字段选项”卡中双击“类型”节点，将两者连接起来。这时双击打开“类型”节点，此时“类型”节点中显示了数据的字段和其类型，点击“类型”节点界面上的“读取值”按钮，这时会将数据节点中的数据读取过来。如下图所示。
输入表示该字段可供建模使用，目标表示该字段为建模的预测目标，两者表示该字段为布尔型的输入字段，无表示该字段不参与建模。Apriori 节点需要一个或多个输入字段和一个或多个目标字段，输入字段和输出字段必须是符号型字段。在此可以选择一个或多个字段为目标字段，表明该模型的预测目标字段；对于 Apriori 建模节点，也可以不设置目标字段，则需要在建模节点中设置“后项”。
过滤节点，将不参与的字段排除在外。该步骤为可选步骤。从“字段选项”卡中选择“过滤”节点，并将其拖入到界面中，将“过滤”节点加入到流中。双击打开“过滤”节点，在不参与建模字段的箭头上点击，会出现一个红叉，表示该字段被过滤掉了，不参与建模，如图所示。
网络节点，建立此节点的目的是为了让用户首先可以直观的看到商品之间的关联程度，有一个感性认识。选择“图形”选项卡中的“网络”节点，将此拖入界面，将“网络”节点加入流中，与“过滤”节点连接起来。双击打开网络节点，在“字段”列表中选择添加字段，可以将所有的商品字段添加进来；也可以点击“仅显示真值标志”，将只显示那些“两者”的字段，如图所示。图 6. 网络节点设置
第五步，添加“建模”节点到流中，开始关联规则模型设置和使用的篇章。首先点击界面下方“建模”选项卡，再点击“关联”分类，将 Apriori 节点拖放到界面中，连接该节点到过滤节点上，或者双击 Apriori 节点。接着设置 Apriori 节点的参数，建立关联规则模型。双击打开 Apriori 节点，如下图所示。
分区允许您使用指定字段将数据分割为几个不同的样本，分别用于模型构建过程中的训练、测试和验证阶段。如果设置了“分区”，除了在此选择分区字段外，还需要在“模型”选项卡中，勾上“使用分区数据”的选择框。关于“分区”的概念、作用和使用方法，本文不做详细介绍。
从结果可以看出，通过关联规则模型挖掘出了三个规则，分别是规则一，购买了冻肉（frozenmeal）和罐装蔬菜（cannedveg）的顾客都会购买啤酒（beer）；规则二，购买了冻肉的顾客都会购买啤酒；规则三，购买了罐装蔬菜的顾客都会购买啤酒。其中，第一列代表结果，而下一列代表条件，后面的列包含规则信息，如置信度、支持度和提升等。
市场分析员对于模型结果的三条规则和规则信息，如何分析得出结论呢？首先分析第一条规则，购买了冻肉和罐装蔬菜的顾客会购买啤酒，此规则中购买了冻肉和罐装蔬菜的记录有 173 条，占 17.3%，同时购买了冻肉、罐装蔬菜和啤酒的记录占 14.6%，而在购买了冻肉和罐装蔬菜的顾客中会有 84.393% 的顾客会购买啤酒，并且提升为 2.88，表明此规则的相关性很强，部署能力和置信度类似，可以不考虑。对于规则二三，可以同样分析。问题的关键是，哪些规则信息才能作为评判标准。通过对规则信息的分析和了解，建议将置信度和提升作为选择规则的标准，因为置信度能反映出规则预测的准确程度，提升值越大，规则的相关性越强。据此，可以将规则一作为分析结果。
本文通过一个实际的商业场景，引入了 IBM SPSS Modeler 关联规则模型，首先给出了关联规则的相关概念，接着带领您一步一步的创建了数据流，并且介绍了模型的建立和设置，并且对结果进行了分析。您可以将本模型应用到其他的场景中，如网络日志分析、银行潜在客户分析、电子商务的捆绑销售等。
