准备工作：数据.xls 数据导入数据库中。

在可用对象中，将要分析数据所在表添加到包含的对象中，继续下一步

在解决方案资源管理器中，右键单击挖掘结构，选择新建挖掘结构

设置测试集和训练集

然后对模型进行部署，继而进行挖掘（点击运行）

决策树模型

以下我们对电商购物网站的用户的信誉等级进行预测，使用其他用户的特征属性对其进行预测分类。建立如下的决策树模型。

从图中可以看到购物积分越高的用户，决策树得到的用户信誉等级越高。同时家里人口数越多，则信誉等级也越高。说明购物积分直接影响着信誉等级。一般购物次数越多则买家的信誉越高。同时家里人口数越多，则该用户在网上购物的开支越多。因此会导致网上购物越多，最后导致信誉增加。

然后可以看到依赖网络。依赖网络图是指预测变量和其他变量直接的依赖性。从图中可以看到在用户属性中，几个属性会影响信用等级，包括购物积分、次数、居住面积以及人口数量。

聚类

从聚类结果可以看到，聚类将所有用户分成了10个信用级别。

从不同类别的依赖图可以看到，类别10、4、8、5之间具有较强的相关关系。说明这几个类别中的信用级别是类似的。下面可以具体看下每个类别中的各个属性的分布的比例。

从上图可以看到不同类别的购物积分是不同的。

总的来看，相对来说，第4和7类别的购物积分最小的，其他几个类别中积分较高，因此可以认为这些类别中的用户的信用级别较高。同时可以看到这些类别的其他信息，这类用户的月收入较低，购物次数也较小。同时可以看到，这类用户大多的交易成功也较少。另一方面，可以看到低购物积分用户中 ，家庭人口数也较小。

从每个类别的倾向程度来看，购物总次数多的用户交易成功次数也高。从另一方面来看，月收入较高的用户，倾向于是非分类1的用户，也就是它们的信用等级较好。同时可以看到，户交易成功次数多喝购物积分高的用户倾向于非分类1的用户。说明用户的信用等级相对较高。另一方面，可以看到拥有房屋的用户的交易成功次数 电商网站购物次数反而低于没有房屋的用户，可能是因为没有房屋的用户年龄段较低，因此更倾向于网络购物。

然后建立关联规则挖掘模型

运行关联规则 得到以下重要的关联规则

关联规则就是发现数据集中相互有关联的项目。它已经成为数据挖掘领域中具有重要影响的一种算法。也是数据挖掘领域的一个重要分支。最近几年已经被广泛的应用。在电子商务领域，关联规则技术主要用于物品链接页面等的推荐，它只需要购物记录的数据即可，而不需要过多的商品信息，通过关联规则可以发现用户的一些常见的购物模式和购物规律。找出用户通常会一起购买的商品。从而对用户进行推荐和挖掘。