SPSSModeler數(shù)據(jù)挖掘方法及應(yīng)用（第2版）

第1章 數(shù)據(jù)挖掘和Clementine概述
1.1 數(shù)據(jù)挖掘的產(chǎn)生背景
1.1.1 海量數(shù)據(jù)的分析需求催生數(shù)據(jù)挖掘
1.1.2 應(yīng)用對(duì)理論的挑戰(zhàn)催生數(shù)據(jù)挖掘
1.2 什么是數(shù)據(jù)挖掘
1.2.1 數(shù)據(jù)挖掘的概念
1.2.2 數(shù)據(jù)挖掘能做什么
1.2.3 數(shù)據(jù)挖掘得到的知識(shí)形式
1.2.4 數(shù)據(jù)挖掘的算法分類
1.3 Clementine軟件概述
1.3.1 Clementine的窗口
1.3.2 數(shù)據(jù)流的基本管理和執(zhí)行
1.3.3 數(shù)據(jù)流的其他管理
1.3.4 從一個(gè)示例看Clementine的使用
第2章 Clementine數(shù)據(jù)的讀入
2.1 變量的類型
2.1.1 從數(shù)據(jù)挖掘角度看變量類型
2.1.2 從數(shù)據(jù)存儲(chǔ)角度看變量類型
2.2 讀入數(shù)據(jù)
2.2.1 讀自由格式的文本文件
2.2.2 讀Excel電子表格數(shù)據(jù)
2.2.3 讀SPSS格式文件
2.2.4 讀數(shù)據(jù)庫(kù)文件
2.3 生成實(shí)驗(yàn)方案數(shù)據(jù)
2.4 合并數(shù)據(jù)
2.4.1 數(shù)據(jù)的縱向合并
2.4.2 數(shù)據(jù)的橫向合并 44
第3章 Clementine變量的管理
3.1 變量說(shuō)明
3.1.1 取值范圍和缺失值的說(shuō)明
3.1.2 變量取值有效性檢查和修正
3.1.3 變量角色的說(shuō)明
3.2 變量值的重新計(jì)算
3.2.1 CLEM表達(dá)式
3.2.2 變量值重新計(jì)算示例
3.3 變量類別值的調(diào)整
3.4 生成新變量
3.5 變量值的離散化處理
3.5.1 常用的分箱方法
3.5.2 變量值的離散化處理示例
3.6 生成樣本集分割變量
3.6.1 樣本集分割的意義和常見方法
3.6.2 生成樣本集分割變量的示例
第4章 Clementine樣本的管理
4.1 樣本的排序
4.2 樣本的條件篩選
4.3 樣本的隨機(jī)抽樣
4.4 樣本的濃縮處理
4.5 樣本的分類匯總
4.6 樣本的平衡處理
4.7 樣本的其他管理
4.7.1 數(shù)據(jù)轉(zhuǎn)置
4.7.2 數(shù)據(jù)的重新組織
第5章 Clementine數(shù)據(jù)的基本分析
5.1 數(shù)據(jù)質(zhì)量的探索
5.1.1 數(shù)據(jù)的基本描述與質(zhì)量探索
5.1.2 離群點(diǎn)和極端值的修正
5.1.3 缺失值的替補(bǔ)
5.1.4 數(shù)據(jù)質(zhì)量管理的其他功能
5.2 基本描述分析
5.2.1 計(jì)算基本描述統(tǒng)計(jì)量
5.2.2 繪制散點(diǎn)圖
5.3 變量分布的探索
5.4 兩分類變量相關(guān)性的研究
5.4.1 兩分類變量相關(guān)性的圖形分析
5.4.2 兩分類變量相關(guān)性的數(shù)值分析
5.5 兩總體的均值比較
5.5.1 兩總體均值比較的圖形分析
5.5.2 獨(dú)立樣本的均值檢驗(yàn)
5.5.3 配對(duì)樣本的均值檢驗(yàn)
5.6 變量重要性的分析
5.6.1 變量重要性分析的一般方法
5.6.2 變量重要性分析的應(yīng)用示例
第6章 分類預(yù)測(cè)：Clementine的決策樹
6.1 決策樹算法概述
6.1.1 什么是決策樹
6.1.2 決策樹的幾何理解
6.1.3 決策樹的核心問(wèn)題
6.2 Clementine的C5.0算法及應(yīng)用
6.2.1 信息熵和信息增益
6.2.2 C5.0的決策樹生長(zhǎng)算法
6.2.3 C5.0的剪枝算法
6.2.4 C5.0的推理規(guī)則集
6.2.5 C5.0的基本應(yīng)用示例
6.2.6 C5.0的損失矩陣和Boosting技術(shù)
6.2.7 C5.0的模型評(píng)價(jià)
6.2.8 C5.0的其他話題：推理規(guī)則、交叉驗(yàn)證和未剪枝的決策樹
6.3 Clementine的分類回歸樹及應(yīng)用
6.3.1 分類回歸樹的生長(zhǎng)過(guò)程
6.3.2 分類回歸樹的剪枝過(guò)程
6.3.3 損失矩陣對(duì)分類樹的影響
6.3.4 分類回歸樹的基本應(yīng)用示例
6.3.5 分類回歸樹的交互建模
6.3.6 分類回歸樹的模型評(píng)價(jià)
6.4 Clementine的CHAID算法及應(yīng)用
6.4.1 CHAID分組變量的預(yù)處理和選擇策略
6.4.2 Exhaustive CHAID算法
6.4.3 CHAID的剪枝
6.4.4 CHAID的應(yīng)用示例
6.5 Clementine的QUEST算法及應(yīng)用
6.5.1 QUEST算法確定最佳分組變量和分割點(diǎn)的方法
6.5.2 QUEST算法的應(yīng)用示例
6.6 決策樹算法評(píng)估的圖形比較
6.6.1 不同模型的誤差對(duì)比
6.6.2 不同模型收益的對(duì)比
第7章 分類預(yù)測(cè)：Clementine的人工神經(jīng)網(wǎng)絡(luò)
7.1 人工神經(jīng)網(wǎng)絡(luò)算法概述
7.1.1 人工神經(jīng)網(wǎng)絡(luò)的概念和種類
7.1.2 人工神經(jīng)網(wǎng)絡(luò)中的節(jié)點(diǎn)和意義
7.1.3 人工神經(jīng)網(wǎng)絡(luò)建立的一般步驟
7.2 Clementine的B-P反向傳播網(wǎng)絡(luò)
7.2.1 感知機(jī)模型
7.2.2 B-P反向傳播網(wǎng)絡(luò)的特點(diǎn)
7.2.3 B-P反向傳播算法
7.2.4 B-P反向傳播網(wǎng)絡(luò)的其他問(wèn)題
7.3 Clementine的B-P反向傳播網(wǎng)絡(luò)的應(yīng)用
7.3.1 基本操作說(shuō)明
7.3.2 計(jì)算結(jié)果說(shuō)明
7.3.3 提高模型預(yù)測(cè)精度
7.4 Clementine的徑向基函數(shù)網(wǎng)絡(luò)及應(yīng)用
7.4.1 徑向基函數(shù)網(wǎng)絡(luò)中的隱節(jié)點(diǎn)和輸出節(jié)點(diǎn)
7.4.2 徑向基函數(shù)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程
7.4.3 徑向基函數(shù)網(wǎng)絡(luò)的應(yīng)用示例
第8章 分類預(yù)測(cè)：Clementine的統(tǒng)計(jì)方法
8.1 Clementine的Logistic回歸分析及應(yīng)用
8.1.1 二項(xiàng)Logistic回歸方程
8.1.2 二項(xiàng)Logistic回歸方程系數(shù)的含義
8.1.3 二項(xiàng)Logistic回歸方程的檢驗(yàn)
8.1.4 二項(xiàng)Logistic回歸分析的應(yīng)用示例
8.1.5 多項(xiàng)Logistic回歸分析的應(yīng)用示例
8.2 Clementine的判別分析及應(yīng)用
8.2.1 距離判別法
8.2.2 Fisher判別法
8.2.3 貝葉斯判別法
8.2.4 判別分析的應(yīng)用示例
第9章 探索內(nèi)部結(jié)構(gòu)：Clementine的關(guān)聯(lián)分析
9.1 簡(jiǎn)單關(guān)聯(lián)規(guī)則及其有效性
9.1.1 簡(jiǎn)單關(guān)聯(lián)規(guī)則的基本概念
9.1.2 簡(jiǎn)單關(guān)聯(lián)規(guī)則的有效性和實(shí)用性
9.2 Clementine的Apriori算法及應(yīng)用
9.2.1 產(chǎn)生頻繁項(xiàng)集
9.2.2 依據(jù)頻繁項(xiàng)集產(chǎn)生簡(jiǎn)單關(guān)聯(lián)規(guī)則
9.2.3 Apriori算法的應(yīng)用示例
9.3 Clementine的GRI算法及應(yīng)用
9.3.1 GRI算法基本思路
9.3.2 GRI算法的具體策略
9.3.3 GRI算法的應(yīng)用示例
9.4 Clementine的序列關(guān)聯(lián)及應(yīng)用
9.4.1 序列關(guān)聯(lián)中的基本概念
9.4.2 Sequence算法
9.4.3 序列關(guān)聯(lián)的時(shí)間約束
9.4.4 序列關(guān)聯(lián)分析的應(yīng)用示例
第10章 探索內(nèi)部結(jié)構(gòu)：Clementine的聚類分析
10.1 聚類分析的一般問(wèn)題
10.1.1 聚類分析的提出
10.1.2 聚類分析的算法
10.2 Clementine的K-Means聚類及應(yīng)用
10.2.1 K-Means對(duì)“親疏程度”的測(cè)度
10.2.2 K-Means聚類過(guò)程
10.2.3 K-Means聚類的應(yīng)用示例
10.3 Clementine的兩步聚類及應(yīng)用
10.3.1 兩步聚類對(duì)“親疏程度”的測(cè)度
10.3.2 兩步聚類過(guò)程
10.3.3 聚類數(shù)目的確定
10.3.4 兩步聚類的應(yīng)用示例
10.4 Clementine的Kohonen網(wǎng)絡(luò)聚類及應(yīng)用
10.4.1 Kohonen網(wǎng)絡(luò)的聚類機(jī)理
10.4.2 Kohonen網(wǎng)絡(luò)的聚類過(guò)程
10.4.3 Kohonen網(wǎng)絡(luò)聚類的示例
10.5 基于聚類分析的離群點(diǎn)探索及應(yīng)用
10.5.1 多維空間基于聚類的診斷方法
10.5.2 多維空間基于聚類的診斷方法應(yīng)用示例
參考文獻(xiàn)