标准扫描 这是 RapidMiners 原生 DBSCAN 算法的扩展。 输入 虽然在经典的 DBSCAN epsilon 用于确定两个与密度相关的点之间的最大距离，但此修改引入了 ** epsilon_space ** 和 ** epsilon_time **。 这允许您根据地理以及所有时间距离对数据进行聚类。 此外，可以从多个维度中选择此输入参数，例如空间的米、公里等，以及时间距离的秒、分、小时等。

该文档详细介绍了数据挖掘软件RapidMiner的背景，安装以及详细的应用方法和使用手则。

传统的防窃漏电方法主要通过定期巡检、定期校验电表、用户举报窃电等手段来发现窃电或计量装置故障。但这种方法对人的依赖性太强，抓窃查漏的目标不明确。目前很多供电局主要通过营销稽查人员、用电检查人员和计量工作人员利用计量异常报警功能和电能量数据查询功能开展用户用电情况的在线监控工作，通过采集电量异常、负荷异常、终端报警、主站报警、线损异常等信息，建立数据分析模型，来实时监测窃漏电情况和发现计量装置的故障。根据报警事件发生前后客户计量点有关的电流、电压、负荷数据情况等，构建基于指标加权的用电异常分析模型，实现检查客户是否存在窃电、违章用电及计量装置故障等。

前面的部分中，我们已经看到了RapidMiner Studio图形用户界面是如何建立起来的，以及如何用它来定义和执行分析流程。在流程的最后，流程结果会显示在结果视图中。现在在工具栏上点击一下就能跳转到结果视图了。这一章会详细阐述结果视图。依据您是否已经生成了可被描述的结果，在默认设置前提下，您现在应该至少能大致看到这些显示内容，如图4.1所示。

第2章 RapidMiner Studio简介 RapidMiner Studio 结合技术性和适用性，为最新的及已建立的人性化数据挖掘技术提供服务。通过推拽算子，设置参数及组合算子，在RapidMiner Studio中定义分析流程。

rapidminer最新版用户手册,详尽描述，english

第1章 RAPIDMINER STUDIO简介 第2章 设计分析流程 第3章 数据和结果可视化 第4章 数据管理：资源库 第5章 数据探索 第6章 数据预处理 第7章 关联分析与关联规则 第8章 K-MEANS 聚类、辨别分析 第9章 线性回归与逻辑回归 第10章决策树与神经网络 第11章 文本挖掘 第12章 WEB挖掘 第13章 推荐系统 第14章 模型评估与优化 第15章 时间序列 第16章 宏、循环和数据集处理 第17章 异常检测

2、预测建模 操作界面 (建立分类模型并使用外部测试集评估模型)

rapidminer安装包

14.4 基于协同过滤的推荐系统  典型的推荐应用 —公司积累了大量的用户（user）对物品（item）的打分记录。 —根据当前用户的消费喜好，找到与其喜好相似的其他客户，分析他们有哪些物品（item） 对当前用户而言尚未消费使用，将这些物品推荐给当前用户。 —前提：当前访问用户的消费喜好和其他某些用户的消费喜好相似，且这种喜好在 近一段 时间以及未来一段时间内保持稳定。 —这样的推荐系统称为基于协同过滤的推荐系统（Collaborative-based Systems）  基于协同过滤的推荐系统又可分为： —基于用户（user）相似度（临近度）推荐（计算两个用户间的相似度，共同喜好总物品数） —基于物品（item）相似度（临近度）推荐（计算两个物品间的相似度，共同拥有的用户数）  操作步骤 第一步：加载并查看数据 将训练数据“collaborative_train”拖动到操作流程页面，将其连接到系统输出端，点击 运行后，我们看到数据分成三列，分别是“user_id”用户属性，“item_id”物品属性以及“rating” 打分属性，如图 14.1，有 28234 条打分记录，通过观察统计视图，没有发现缺失值。将测试 数据“collaborative_test”同样拖到流程里面来，观察数据，也有同样的属性项。 图 14.1 用户对物品的打分表