从规则中剔除掉其他选项的规则后，我们得到以上的规则，从以上规则，我们可以看出网购用户大多通过论坛或者社区的弹窗信息进入网购的页面，他们在论坛中看到了某些用户的评论，并且通过弹窗信息进入购买，而他们选择网购的原因也是因为评论真实性，看到了其他网购的用户经验从而影响他们的购买决策。

对规则进行可视化

plot(rules, method="grouped")

上图表示规则前项和规则后项的联系，图中的点越大表示规则的支持度越高，可以看到规则中社区论坛进入购买页面和选择网购原因是评论真实之间有较高的支持度。

从上图我们也可以直观地看到我们得到的规则。

d=dist(data2)#对数据的样本求欧几里得距离

 

hmod=hclust(d)#使用欧几里得距离对样本进行层次聚类

cent <- rbind(cent, colMeans(data2[memb == k, , drop = FALSE]))#筛选出第4层次以上的样本

}

hc1 <- hclust(dist(cent)^2, method = "cen", members = table(memb))#重新对新样本进行层次聚类

opar <- par(mfrow = c(1, 2))

上图是对树重新进行层次聚类的结果与原来树的对比，从左边 我们可以i看到，树具有4个分支，因此可以认为样本大致可以聚成4类。

kmeans聚类

fitted(kc);  #查看具体聚类情况 

 

#聚类结果可视化  

plot(data2[,c(1:20)], col = kc$cluster);  #不同的颜色代表不同的聚类结果。

上图表示不同问题选项之间样本的聚类情况，不同的颜色代表不同的样本，可以看到不同颜色的类别分别聚到了不同的类中，因此类别之间的区分效果良好。

可以看到红色类用户的Q2，Q7，Q11得分较高Q4得分较低，Q21得分较高，蓝色用户Q10Q23的得分较高，黑色用户的得分分布比较普遍，在每个问题中不同选项均有分布。绿色用户Q2，Q19得分较低，Q10的得分较高。

可以看到红色用户大多是年龄较大，4线城市的用户，接触网购不多，因此也不会使用手机电脑网络等方式进入网购页面。蓝色用户代表接触网购时间较长的用户，他们进入网络页面的方式大多是搜索引擎，他们大多熟悉网购操作，对自己需要的商品也比较熟悉，然而一般对网购不进行评论，除非对商品非常满意。绿色是年龄较小的用户，但是他们接触网络的时间也较长，大多是青少年，因此接触新兴事物的兴趣较大，因此他们的网购花费较低，但是网购的频率较高。

决策树

将Q30_总体而言，您对网购是否满意？的答案作为网购用户分类的分类目标属性，使用其他属性作为分类属性，对数据进行分类

draw.tree(CARTmodel)

## 交叉验证的估计误差（“xerror”列），以及标准误差(“xstd”列)，平均相对误差=xerror±xstd 

printcp(CARTmodel)

> CARTmodel$cptable[which.min(CARTmodel$cptable[,"xerror"]),"CP"]

[1] 0.04938272

根据最小误差的最小变异系数来对树进行剪枝。

得到剪枝后的决策树。

从决策树图来看 ，我们可以发现问题的选项作为决策树的分支，分别将年龄，网购历史，网站购物主要看重的因素，喜欢的促销方式和网购花费作为决策条件，将样本分成了8个类别。

并使用决策树进行对样本的预测。

> table(pre,data2$Q30)#混淆矩阵

  

pre  3  4  5  6

  3 20  9  2  0

  4  9 74  9  1

  5  6 13 34  0

  6  0  0  0  0

从混淆矩阵的结果来看，对4个类别的预测效果较好，说明模型的拟合效果良好。