Czasopismo
Tytuł artykułu
Autorzy
Warianty tytułu
The Discriminant Tree Model in Marketing Researches
Języki publikacji
Abstrakty
Drzewa klasyfikacyjne, to grupa metod wspomagających badania marketingowe. Umożliwiają one rzetelną analizę zgromadzonych danych i ich prezentację w prostej, graficznej formie, co znacznie ułatwia decydentom podjęcia właściwej decyzji i opracowanie efektywnego planu marketingowego. W szczególności służą one do rozwiązywania takich problemów jak: segmentacja rynku, identyfikacja właściwości produktów najsilniej wpływających na postawy konsumentów. W artykule, na podstawie zebranego materiału statystycznego, przedstawiono problematykę wyboru miary oceny jakości podziału w algorytmie CART (Classification and Regression Trees) wchodzącego w skład pakietu AnswerTree. W sytuacji, gdy zmienną objaśnianą jest zmienna nominalna, możliwe jest bowiem wykorzystanie jednej z dopuszczalnych miar, tj. indeksu Giniego lub reguły podziału na dwie części (twoing rule). Dodatkowo w artykule poruszono problem wykorzystania drzew klasyfikacyjnych w przypadku, gdy nominalna zmienna objaśniana ma więcej niż dwie kategorie. Eksperyment przeprowadzono na podstawie danych empirycznych dotyczących preferencji zbiorowości studentów w zakresie nabywania marki czekolady krajowej.
The aim of this paper is to present the discriminant tree model i.e. in which the target variable is measured on the categorical scale in marketing researches. The author introduces the impact of selected measure of homogenity used in CART algorithm on the result of partition objects. He also briefly discusses the interpretation problems when the target variable has more categories. There were also made several classifications for the practical illustrating possibilities of selected measure of homogenity used in the discriminant tree model. The composition of the results of investigations makes up the end recap of the article. (original abstract)
Słowa kluczowe
Rocznik
Tom
Strony
61-69
Opis fizyczny
Twórcy
autor
Bibliografia
- Berry M.J., Linoff G. (1997), Data Mining Techniques for Marketing, Sales and Customer Support. New York, John Wiley & Sons Inc.
- Breiman L., Friedman J.H., Olshen R.A., Stone C.J. (1984), Classification and Regression Trees. Belmont, Wadsworth.
- Hastie T., Tibshirani R., Friedman J. (2001), The Elements of Statistical Learning: Data Mining, Inference and Prediction. New York, Berlin, Heidelberg, Springer-Verlag.
- Gatnar E. (2002), Tree-based Models in Statistics: Three Decades of Research. [w:] Jajuga K., Sokołowski A., Bock H.H. (red.), Classification, Clustering and Data Analysis. Berlin, Heidelberg, Springer, s. 399-408.
- Gatnar E. (2001), Nieparametryczna metoda dyskryminacji i regresji. Warszawa, PWN.
- Kumar V., Joshi M. (1999), Tutorial on High Performance Data Mining. Pozycja dostępna w Internecie pod adresem: http://www.user.cs.umn.edu/~mjoshi/hpdmtut/sld001.htm.
- Kurzydłowski A. (2002a), Drzewa klasyfikacyjne w badaniach marketingowych. Wrocław. Akademia Ekonomiczna we Wrocławiu (rozprawa doktorska).
- Kurzydłowski A. (2002b), Klasyfikacja nabywców czekolady z wykorzystaniem algorytmów CHAID i C&RT. [w:] Jajuga K., Walesiak M., "Klasyfikacja i analiza danych - teoria i zastosowania". Taksonomia z. 9. "Prace Naukowe AE we Wrocławiu" nr 942, s. 258-271.
- Weiss S.M., Indurkhya N. (1995), Rule-based Machine Learning Methods for Functional Prediction., "Journal of Artificial Intelligence Research", No. 3, s. 383-403.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000000014410