我必须在包含有关保险单的信息的数据库上执行数据挖掘任务。每个元组都指示有关单个策略的数据，以及有关发布它的机构，它所指的客户以及其他字段的信息。它就像是hypotetical表格中的政策，客户和代理商之间的产品。字段如下：
政策类型，身份证号码，政策状态，产品描述，产品组合，签发日期，生效日期，到期日，保单期限，贷款期限，取消日期，取消原因，总保费，拆分保费，ID合作伙伴，ID机构，国家机构，ID区，代理商潜力，性承包商，出生年度承包商，工作承包商，性保险，工作保险，出生年度保险，产品领域，法律形式，身份证索赔，年度索赔，身份索赔，提供索赔，付款根据权利要求
这是一项学术任务，我们的教授希望我们确定流失率，交叉销售和向上销售。我不太喜欢这个领域，因此我在维基百科上寻找这些条款。我从流失率开始，在我看来，在这种情况下，我必须描述其政策状态设置为“已取消”且取消原因为“客户取消”的客户的属性。
使用Rapid Miner，我尝试应用决策树和规则挖掘，但感兴趣的子集非常小，输出模型虽然总体上具有良好的准确性，但在预测取消的策略方面具有非常非常差的准确性。发生这种情况是因为取消策略的子集非常小。我还尝试将MetaCost运算符应用于给定的成本矩阵，其中对其他策略进行错误分类的成本相对于其他策略而言非常高（比例高出一百万倍），但这并没有改变结果。
我现在最好的选择是使用顺序覆盖算法进行规则挖掘，但快速挖掘器不实现它，我必须手动编码。
您是否对如何为取消的政策的一小部分建立良好模型有任何建议，以便我们可以使用它来识别将来可能取消其政策的客户？
N.B。：因为它来自真实的来源，虽然是匿名的，但我无法透露数据库或其中包含的任何数据。
答案 0 :(得分：1)
你尝试过Navie Bayes吗？它适用于少量数据。您也可以像AODE一样尝试它的变体。 Rapid Miner不提供AODE。您应该安装Weka扩展以访问Rapid Miner中的AODE。
答案 1 :(得分：0)
您需要平衡数据集，以便类（已取消/未取消）的大小相同。这意味着（暂时）丢弃大量数据。
您可以使用Sample运算符和Balance Labels复选框来执行此操作。