安装教程
1、从本站下载数据包后解压，运行安装程序“rapidminer-studio-9.10.0-win64-install.exe”点击next。
2、点击“I agree”。
3、设置安装目录然后点击install。
4、软件正在安装，请耐心等待。
5、安装完成，去掉关闭运行选项，点击finish。
6、安装完成后将破解补丁"lib "复制到C:\Program Files\RapidMiner\RapidMiner Studio目录下替换原文件。
7、运行软件，勾选同意协议，然后点“i accept”。
8、以上操作完成后运行软件，点击运行应用程序并点击 "I already have an account or license key（我已经有一个账户或许可证密钥）"。
9、点击 "Manually enter a license key"手动输入许可证密钥"。
10、然后将数据包中提供的破解补丁复制到注册框中即可。
软件新功能
1、偏差检测和缓解。在软件平台的每个部分，包括Turbo Prep, Model Simulator等，都能收到偏差警告。当Studio认为你有一个可能导致模型偏差的栏目时，你会收到一个警告以及一个平台内的呼出，解释它是由什么触发的。
2、流和IIOT的进步。在低延迟（50-100ms）的使用情况下，混合和匹配软件与Python，例如对大量的传感器数据进行评分。此外，利用新的函数拟合运算符，在为设备的异常检测、基于数据的物理行为建模等创建模型时，用自定义函数拟合数据。
3、安全性增强。对Docker无根模式的支持以及Kubernetes环境中增强的安全性都提高了我们的整体安全标准。通过定期更新带有最新安全组件的Docker镜像，容器化平台的安全性也得到了提高。
4、时间序列预测。基于RapidMiner Go中的历史数据，自动预测单变量时间序列的未来值。在预测销售或人员需求时，跟踪高级和季节性趋势，并使用直观的可视化来比较竞争模型的结果。
5、NLP扩展。利用新的软件自然语言处理扩展，提取部分语音标签并识别自由文本中的人物、城市、组织和其他实体。这通常被用作预处理方法，以确定文件、网站文本等的内容。
6、核心的Pivot运算器现在可以在SparkRM运算器内按预期运行。
7、更新了Radoop Spark作业中Hive表读取的启发式方法，以防止在存在隐藏的Hive暂存目录时Spark作业失败。
软件功能
一、提高整个数据科学团队的工作效率
1、在拖放式视觉界面中加速并自动创建预测模型
2、超过1500种 算法和功能的丰富库可确保针对任何用例提供最佳模型
3、针对常见用例的预制模板，包括客户流失，预测性维护，欺诈检测等
4、“群众智慧”在每个步骤均提供主动建议，以帮助初学者
二、连接到任何数据源
1、立即建立指向数据库，企业数据仓库，数据湖，云存储，业务应用程序和社交媒体的点击连接
2、随时轻松重用连接，并轻松与需要访问的任何人共享连接
3、通过软件市场扩展连接到新资源
三、自动化的数据库内处理
1、查询和检索数据而无需编写复杂的SQL
2、利用高度可扩展的数据库集群的强大功能
3、支持MySQL，PostgreSQL和Google BigQuery
四、数据可视化与探索
1、通过散点图，直方图，折线图，平行坐标，箱形图等了解模式，趋势和分布
2、快速查找并修复常见的数据质量问题，包括缺失值和异常值
3、使用强大的统计概述和30多种交互式可视化视图来探索数据
五、数据准备和混合
1、RapidMiner Turbo Prep 提供了完全交互式的点+单击数据准备体验
2、跨任意数量的源提取，合并，过滤和分组数据
3、创建可计划和共享的可重复数据准备和ETL过程
六、视觉与自动化机器学习
1、软件自动模型 使用自动机器学习在5次点击中创建模型
2、从数百种有监督和无监督的机器学习算法中进行选择
3、实施基本和高级ML技术，包括回归，聚类，时间序列，文本分析和深度学习
4、建立模型以对诸如成本之类的约束敏感，以针对您所需的业务影响优化预测
5、同时使用自动和手动特征工程来优化模型准确性
七、模型验证
1、通过独特的方法消除过拟合，该方法可防止模型训练的预处理数据泄漏到模型的应用程序中
2、只需单击一下鼠标，即可将经过验证的技术（例如交叉验证）添加到模型中
八、可解释的模型不是黑匣子
1、记录了数据准备，建模和验证过程中的每个步骤，以确保完全透明
2、视觉很容易向组织中的其他人解释，以赢得部署支持
3、支持本地可解释模型不可知论解（LIME）框架
九、从R＆Python代码获得更多
1、将基于代码的模型和包含代码的模型部署到可扩展的平台中
2、通过将代码段上传到软件存储库中，以简化可视化工作流设计器，从而消除重复的工作并确保其他人重复使用您的工作
3、通过建立在专业且先进的库之上，并使用软件将其提供给您的团队中的其他成员，从而利用充满活力的Python生态系统
4、利用其他人产生的数据准备和ETL管道
十、灵活的评分和模型操作
1、快速将计分的数据部署到电子表格和数据可视化工具，或使用RapidMiner Server将模型转换为生产Web服务
2、软件模型操作 为不那么高级的用户提供了一种简便的方法，使其可以将模型投入生产并正确管理它们
3、与企业调度工具集成
4、添加软件实时评分， 以应对高交易量/低延迟的用例
软件特色
1、数据访问：
①连接到任何格式，任何比例的数据源。
②比任何其他可视化设计平台更多的数据连接器。
③包括60多种文件类型和格式的结构化和非结构化数据。
④非结构化数据访问，加载和提取信息。
⑤80种文本，网络和多媒体挖掘和处理功能。
⑥支持纯文本，HTML，PDF，RTF等。
2、数据探索：
①强大的统计概述，快速探索和了解您的数据。
②图形显示属性名称和类型。
③快速识别缺失值。
④强大的图表引擎提供了超过30种不同的可视化选项。
⑤气泡图和三维散点图。
⑥网络和树状图，以及更多。
3、数据准备：
①提供大量的数据质量，集成和转换工具。
②聚合、筛选和排序或连接数据的多个选项。
③具备用于特征选择，创建和提取的算子。
④确定最佳影响因素或产生新因素。
⑤高级属性加权功能。
⑥新属性生成选项。
4、数据清洗：
①提供多种高级数据清理方法。
②识别和去除重复。
③异常值检测和删除。
④规范化&标准化。
⑤衡量属性影响的加权方案。
⑥提供复杂的降维技术。
⑦自组织映射（SOM）。
5、建模：
①深度机器学习功能。
②分类、回归和聚类技术。
③关联挖掘，频数集合和相似性计算。
④集合和分层模型。
⑤超过100个额外的建模算子。
⑥无缝集成R，Python和自定义脚本。
⑦流程控制功能。
⑧优化循环和分支。
6、模型验证：
①可视化设计界面与可靠验证技术。
②预处理模型。
③交叉验证&分割验证。
④视觉评价技术。
⑤值得信赖的性能估算。
⑥精确度，召回率，RMSE，AUC及其他。
⑦计算显著性检验。
7、云执行：
①扩展计算-按需。
②并行提交多个作业。
③弹性计算环境。
④任何地方可进行预测分析。
⑤提供一个基于云的中央存储库。
⑥支持敏捷开发。
使用教程
一、了解rapidminer数据挖掘工具
1.1功能界面
1.2功能区域说明
·视图区
主要包括：
设计模型区域的展示
根据创建好的模型输出的执行结果展示
·中央仓区
主要包括内容：
工具自带的一些示例数据和模型
自己创建的模型
·算法区
主要包括内容：
工具自带的算法，用户可以根据自身需要进行使用这些算法
·模型设计区
主要包括内容：
用来展示工具自带的模型结构
用户可以自己导入数据设计自己的模型
inp代表输入，res代表事件的输出，inp和res是该软件固有的属性
·参数属性区
主要包括：
1.用来对模型设计区展示的算法的对应参数属性的设置
二、数据预处理建模
2.1新建流程
打开rapidminer界面之后，点击左上角的“新建”按钮，新建一个流程，在模型设计区域会出现一个空白的process。
2.2导入数据
点击左侧的Repository中的Import Data按钮，该按钮表示导入数据，点击之后会弹出一个窗口，数据来源包括My Computer和Database,我们这里以本地数据为例，选择My Computer按钮。
点击My Computer按钮后选择自己本地的数据，如下图所示：
然后选择next，直到finish（这里注意，本地的数据的列名称不要重复，否则会提示错误）
数据文件导入成功后，在rapidminer工具的Results选项卡中会展示导入的数据，同时会在Repository栏目中展示出导入的文件名称，如下图所示：
注意：如果没有数据可以根据下图去自行建立一个excel表数据：
2.3数据预处理过程
新建完流程并成功导入数据文件之后，在rapidminer中选择Design选项卡
在Repository栏目中找到导入的数据文件
将数据文件拖到process区域中，如下图所示：
4.分析用户画像数据，发现数据中包含缺省值，所以我们需要将数据中的缺少值进行处理，查看数据中是否有缺省值，如图所示：
5.根据预先确定好的缺省值，我们在Operators栏目的搜索框中搜索“replace missing values”,即代替缺省值的处理算法模型，如下图所示，将其拖入到Process区域中
6.将用户画像分析模型out和“replace Missing Values”模型的exa相连线，并与rapidminer的res输出键连线，如图所示：
7.点击Process区域中的“Replace Missing Values”模型后，通过右侧的Parameters来设置相关参数，如下图所示：
·attribute filter type：属性的过滤标签，可以针对所有的（all）属性进行操作，也可以按照单个的(single)属性进行处理。
·attribute:用户数据的列名称，即针对具体哪个列进行数据处理。
·default:默认值，比如针对value进行设置
·replenishment value:value对应的值，这里设置为N，意思是我想让所有的缺省值的value都统一设置为N（N代表该用户没有购买倾向）
8.点击执行按钮，看一下效果，如图所示：
·1处为执行按钮，在第7步的界面下点击执行按钮会出现上图所示的界面效果
·2处为replace missing value后的数据展示
·3处可以明显的看到5行和6行原本的空置被替换成了我们设置的N
9.在之前的步骤上我们尝试对用户画像分析数据进行数据清洗，在Operators中搜素 “filter Examples”模型，并将模型拖动到Process区域中，并将其连线，如图所示：
10.点击Process区域的filter Examples模型，在Parameters栏中设置过滤清洗的条件，我这里设置的是活跃度>=0.3,如下图所示：
11.完成条件设置之后，点击OK，然后回到Design，点击执行按钮，出现如图所示界面：
·用户画像数据由原来的九条数据变成了六条数据，将不符合条件的数据清洗掉了
·保留了活跃度>=0.3的数据
12.在之前的步骤上我们尝试对用户画像分析数据进行数据约减属性处理（即只展示有用的列），在Operators中搜素 “select att”模型，并将模型拖动到Process区域中，并将其连线，如图所示：
13.点击Process区域的select Attributes模型，在Parameters栏中设置,我这里设置的是subset，然后点击“select Attributes”按钮，选择要保留的列，如下图所示：
·弹出的窗口会默认展示用户画像分析数据中所有的列名
·我这里将画对勾的通过“→”添加到右侧栏中（即我想要展示的列名），效果如下图：
·然后点击apply按钮
14.点击完apply按钮后会回到Design界面，然后点击执行按钮看一下效果。如下图：
·结果页面中只展示了我们想要展示的列
2.4导出数据
根据上述步骤完成数据的预处理后，我们现在将处理后的数据进行导出
回到Design界面下，在Operators中选择Data Access》Files》Write》write CSV，将write CSV拖在Process中，并将其连线，如下图所示：
3.单击选中Write CSA模型，在其对应的Parameters中设置相关信息，如下图所示：
·csv file：导出文件的保存地址
·column separator:分隔符
·write attribute names：是否显示列名称
·quote nominal values:是否显示分隔符
·append to file:在已有的数据基础上新增数据
