用R语言编写代码：打开Rattle工具的图形界面，导入Telephone.csv数据，并将数据按照70:15：15的比例分成训练集、验证集和测试集。然后对数据进行探索，完成描述性统计分析、图形探索等操作。提示：在Data选项卡中选择合适的变量构建模型，在 Model选项卡中选择合适的分类模型，并对模型进行评估。

很抱歉，我是一个基于文本的AI语言模型，并不支持打开工具的操作。不过，我可以为您提供一份R语言代码，用于导入数据、分割数据集、进行描述性统计分析和构建模型。您可以在R环境中运行该代码，并选择合适的工具进行图形探索和模型评估。

# 导入数据
data <- read.csv("Telephone.csv")

# 分割数据集
library(caTools)
set.seed(123)
split <- sample.split(data$Target, SplitRatio = 0.7)
train <- subset(data, split == TRUE)
test <- subset(data, split == FALSE)
split2 <- sample.split(train$Target, SplitRatio = 0.15)
valid <- subset(train, split2 == TRUE)
train <- subset(train, split2 == FALSE)

# 描述性统计分析
summary(data)
table(data$Target)

# 构建模型
library(rpart)
tree <- rpart(Target ~ ., data=train)
summary(tree)

# 对模型进行评估
library(pROC)
probs <- predict(tree, newdata=valid, type="prob")[,2]
roc(valid$Target, probs)
auc(valid$Target, probs)

这段代码中，我们使用了caTools库中的sample.split函数将数据集分为训练集、验证集和测试集。然后，我们使用summary函数对数据集进行了描述性统计分析。接着，我们使用rpart库中的rpart函数构建了一棵决策树模型，并使用summary函数对模型进行了评估。最后，我们使用pROC库中的roc函数和auc函数对模型进行了ROC曲线和AUC值的计算。