可下载资源

IDC数据更加不乐观，2015年Q3全球PC出货量共计7100万台，同比下降10.8%，相比之前预测的下滑9.2%更夸张。

研究数据及范围

本研究以统计学原理为基础，通过网上收集已有的数据并调查，采用数据挖掘技术以及描述性的统计方法，对笔记本电脑销量问题进行研究，分析什么影响群众购买笔记本电脑情况？

本次数据是在数据网站搜集到的spss类型的数据，共有13个变量，5000多份数据资料，没有系统缺失值。其中5个定距变量，8个定类变量

研究目的：

1、寻找影响笔记本电脑销量的主要因素。

2、建立基于数据挖掘技术的有关笔记本电脑销量预测模型。

我们可以看见数据存在离群值和异常值，对于离群值，我采用coerce，即用距离离群值最近的正常值代替它们。对于极端值采用discard extremes，即剔除极端值。

基本描述分析

通过clmtime描述性分析并作图，

销售价格与月成交量的基本关系：散点图，

从图中可以看出散点集中在部分品牌，如联想，苹果，戴尔等；

模型简介

    关联规则是数据挖掘算法中主要技术之一，是在无指导学习系统中挖掘本地模式的最普遍形式。在数据挖掘中，常见的关联规则挖掘模型有AIS、SETM、Apriori、DHP、MLT2L1、ML-TML1等。其中，Apriori算法是一种最有影响的挖掘关联规则频繁项集的模型。

在后续的扫描中，首先以前一次所发现的所有频繁项集为基础，生成所有新的候选项集(Candidate Item sets)，然后扫描数据库，计算这些候选项集的支持度，最后确定候选项集中哪些可成为频繁项集。重复上述过程直到再也产生不出新的频繁项集。

仿真

平台及数据

为了验证Apriori模型在DSS数据挖掘中应用的可行性，本文在SPSS modeler软件平台上对Apriori模型进行仿真。实验数据来自于某电商网站的DSS系统中的顾客及购买电脑数据。数据包括1277条购买事务记录，每条购买事务记录中包含内容：价格、月成交量、累计评价、人气、产品名称、能效等级、品牌、屏幕尺寸、显存容量、机械硬盘容量、内存容量等。

实验结果及分析

本文分别用Apriori算法对数据进行处理挖掘，具体结果如下所示。

通过格式转换，发现数据源中共有二十种电脑，设最低条件支持度为15%，最小规则置信度为30%，最大前项数为5，选择专家模式，挖掘出大类电脑的13条关联规则，如图 2 所示。生成的13条规则如下所示：

从实验结果来看，实验产生了三条置信度和支持度最高的关联规则：分别为能效等级 = 一级，品牌 = Lenovo/联想，支持度=19.27899686，置信度=97.5609756097561；m能效等级 = 一级，品牌 = Lenovo/联想 and 内存容量 = 4GB   ，支持度=12.695924764890282  ，置信度=97.53086419753086；能效等级 = 一级，       品牌 = Lenovo/联想 and 显存容量 = 2GB       支持度=13.166144200626958    ，置信度=96.42857142857143。同时，三条关联规则的提升值都可以接受。因此，能效等级、品牌 = Lenovo/联想、内存容量是最可能连带销售的电脑特征。因此，在实际销售或者在电脑的摆放过程中，可以将这些特征的电脑进行捆绑销售。

分析及建议: 通过表 2 可以清晰的看到购买Lenovo/联想、能效等级 = 一级的顾客比较多，建议电商网站可以加大对这些电脑的采购，由上述结果可知，同时购买Lenovo/联想、能效等级 = 一级的顾客的情况占总订单数的19.27%，能效等级 = 一级，品牌 = Lenovo/联想 and 内存容量 = 4GB的订单分别占总订单数的12.69%，购买能效等级 = 一级电脑的人有97.530会购买Lenovo/联想，95%的人会购买华硕，由此可见，能效等级、内存、品牌这三种电脑特征关联度较高，可以将能效等级 = 一级、Lenovo/联想、华硕的电脑摆放在一块，从而增加销量。此外，在符合支持度和置信度的条件下没有顾客购买东芝、清华同方等，建议有关人员减少这几种电脑的进货量，但为了保持电脑的多样性，还是要适当地进货。