Data Mining for the Masses

 
Data Mining for the Masses 
98 
 
By clicking the small + sign next to cluster 0 in Folder View, we can see all of the observations that 
have  means  which  are  similar  to  the  mean  for  this  cluster.    Remember  that  these  means  are 
calculated for each attribute.   You can see the details for any observation in the cluster by clicking 
on it.  Figure 6-8 shows the results of clicking on observation 6 (6.0): 
 
Figure 6-8.  The details of an observation within cluster 0. 
 
The means for cluster 0 were just over 184 pounds for weight and just under 219 for cholesterol.  
The person represented in observation 6 is heavier and has higher cholesterol than the average for 
this  highest  risk  group.    Thus,  this  is  a  person  Sonia  is  really  hoping  to  help  with  her  outreach 
program.  But we know from the Centroid Table that there are 154 individuals in the data set who 
fall into this cluster.  Clicking on each one of them in Folder View probably isn’t the most efficient 
use of Sonia’s time.  Furthermore, we know from our Data Understanding paragraph earlier in this 
chapter that this model is built on only a sample data set of policy holders.  Sonia might want to 
extract these attributes for all policy holders from the company’s database and run the model again 
on that data set.  Or, if she is satisfied that the sample has given her what she wants in terms of 
finding the breaks between the groups, she can move forward with… 
 
DEPLOYMENT 
 
We  can  help  Sonia  extract  the  observations  from  cluster  0  fairly  quickly  and  easily.    Return  to 
design perspective in RapidMiner.  Recall from Chapter 3 that we can filter out observations in our 

---

Chapter 6: k-Means Clustering 
99 
data set.  In that chapter, we discussed filtering out observations as a Data Preparation step, but we 
can use the same operator in our Deployment as well.  Using the search field in the Operators tab, 
locate  the  Filter  Examples  operator  and  connect  it  to  your  k-Means  Clustering  operator,  as  is 
depicted in Figure 6-9.  Note that we have not disconnected the  clu (cluster) port from  the ‘res’ 
(result  set)  port,  but  rather,  we  have  connected  a  second  clu  port  to  our  exa  port  on  the  Filter 
Examples operator, and connected the exa port from Filter Examples to its own res port. 
 
Figure 6-9.  Filtering our cluster model’s output for only observations in cluster 0. 
 
As indicated by the black arrows in Figure 6-9, we are filtering out our observations based on an 
attribute  filter,  using  the  parameter  string  cluster=cluster_0.    This  means  that  only  those 
observations in the data set that are classified in the cluster_0 group will be retained.  Go ahead 
and click the play button to run the model again. 
 
You will see that we have not lost our Cluster Model tab.  It is still available to us, but now we 
have added an ExampleSet tab, which contains only those 154 observations which fell into cluster 
0.    As  with  the  result  of  previous  models  we’ve  created,  we  have  descriptive  statistics  for  the 
various attributes in the data set.   

---

 
Data Mining for the Masses 
100 
 
Figure 6-10.  Filtered results for only cluster 0 observations. 
 
Sonia could use these figures to begin contacting potential participants in her programs.  With the 
high risk group having weights between 167 and 203 pounds, and cholesterol levels between 204 
and  235  (these  are  taken  from  the  Range  statistics  in  Figure  6-10),  she  could  return  to  her 
company’s database and issue a SQL query like this one: 
 
 
SELECT First_Name, Last_Name, Policy_Num, Address, Phone_Num 
 
FROM PolicyHolders_view 
 
WHERE Weight >= 167 
 
AND Cholesterol >= 204; 
 
This would give her the contact list for every person, male or female, insured by her employer who 
would fall into the higher risk group (cluster 0) in our data mining model.  She could change the 
parameter criteria in our Filter Examples operator to be cluster=cluster_1 and re-run the model to 
get the descriptive statistics for those in the next highest risk group, and modify her SQL statement 
to  get  the  contact  list  for  that  group  from  her  organizational  database;  something  akin  to  this 
query: 
 
 
SELECT First_Name, Last_Name, Policy_Num, Address, Phone_Num 
 
FROM PolicyHolders_view 
 
WHERE (Weight >= 140 AND Weight <= 169) 
 
AND (Cholesterol >= 168 AND Cholesterol <= 204); 
 
If  she  wishes  to  also  separate  her  groups  by  gender,  she  could  add  that  criteria  as  well,  such as 
“AND Gender = 1” in the WHERE clause of the SQL statement.  As she continues to develop 
her health improvement programs, Sonia would have the lists of individuals that she most wants to 

---

Chapter 6: k-Means Clustering 
101 
target  in  the  hopes  of  raising  awareness,  educating  policy  holders,  and  modifying  behaviors  that 
will lead to lower incidence of heart disease among her employer’s clients. 
 
CHAPTER SUMMARY 
 
k-Means clustering is a data mining model that falls primarily on the side of Classification when 
referring to the Venn diagram from Chapter 1 (Figure 1-2).  For this chapter’s example, it does not 
necessarily predict which insurance policy holders will or will not develop heart disease.  It simply 
takes known indicators from the attributes in a data set, and groups them together based on those 
attributes’ similarity to group averages.  Because any  attributes that can be quantified can also have 
means calculated, k-means clustering provides an effective way of grouping observations together 
based on what is typical or normal for that group.  It also helps us understand where one group 
begins and the other ends, or in other words, where the natural breaks occur between groups in a 
data set. 
 
k-Means  clustering  is  very  flexible  in  its  ability  to  group  observations  together.    The  k-Means 
operator in RapidMiner allows data miners to set the number of clusters they wish to generate, to 
dictate  the  number  of  sample  means  used  to  determine  the  clusters,  and  to  use  a  number  of 
different algorithms to evaluate means.  While fairly simple in its set-up and definition, k-Means 
clustering is a powerful method for finding natural groups of observations in a data set. 
 
REVIEW QUESTIONS 
 
1)
 
What does the k in k-Means clustering stand for? 
 
2)
 
How  are  clusters  identified?    What  process  does  RapidMiner  use  to  define  clusters  and 
place observations in a given cluster? 
 
3)
 
What does the Centroid Table tell the data miner?  How do you interpret the values in a 
Centroid Table? 
 
4)
 
How  do  descriptive  statistics  aid  in  the  process  of  evaluating  and  deploying  a  k-Means 
clustering model? 

---