处理筛选后的模型
1.
右键单击 TM_Decision_Tree_Male 模型，并选择“处理挖掘结构和所有模型” 2. 3.
单击“运行”以处理新模型。
处理完成后，在两个处理窗口上单击“关闭”。
评估结果
查看结果并评估筛选后的模型的准确性，与您对前三个模型的操作非常相似。有关详细信息，请参阅： 浏览决策树模型（数据挖掘基础教程） 测试提升图的准确性（数据挖掘基础教程）
浏览筛选后的模型
1. 2. 3. 4. 5.
在“数据挖掘设计器”中，选择“挖掘模型查看器”选项卡。 在“挖掘模型”框中，选择 TM_Decision_Tree_Male。 将“显示级别”滑块滑动到 3。 将“背景”值更改为 1。
将光标置于标记为“全部”的节点上，以查看自行车购买者和非自行车购买者的数量。 6. 7.
对 TM_Decision_Tree_Female 重复步骤 1 – 5。 浏览 TM_Decision_Tree 和按性别筛选模型的结果。与所有自行车购买者相比，男性和女性自行车购买者与未经筛选自行车购买者具有一些相同特征，但所有这三个群体也存在一些重要差异。
这是非常有用的信息，Adventure Works Cycles 可以利用这些信息来制定他们的营销战略。
测试筛选后的模型的提升
1.
切换到 Business Intelligence Development Studio 中的数据挖掘设计器的“挖掘准确性图表”选项卡，并选择“输入选择”选项卡。 2.
在“选择要用于准确性图表的数据集”组框中，选择“使用挖掘结构测试事例”。 3.
在数据挖掘设计器的“输入选择”选项卡上，在“选择要在提升图中显示的可预测的挖掘模型列”下选中“同步预测列和值”复选框。 4.
在“可预测列名称”列中，确认为每个模型都选择了 Bike Buyer。 5. 6. 7.
在“显示”列中，选择每个模型。 在“预测值”列中，选择 1。 选择“提升图”选项卡以显示提升图。
您现在会注意到，所有三个决策树模型都相对于随机推测模型有了显著提升，而且效果超过了聚类分析和 Naive-Bayes 模型。