SPSS Modeler数据挖掘方法及应用(第3版薛薇电子工业出版社9787121363191
￥ 8 八五品
库存2件
江西南昌
认证卖家担保交易快速发货售后保障
作者薛薇
出版社电子工业出版社
ISBN9787121363191
出版时间2020-03
装帧平装
货号9787121363191
上书时间2024-08-23
- 在售商品 暂无
- 平均发货时间 9小时
- 好评率 暂无
商品详情
- 品相描述：八五品
- 商品描述
-
章数据挖掘和SPSSModeler使用概述1
1.1数据挖掘的产生背景1
1.1.1海量大数据的分析需求催生数据挖掘1
1.1.2应用对理论的挑战催生数据挖掘2
1.2什么是数据挖掘4
1.2.1数据挖掘和数据库中的知识发现5
1.2.2数据挖掘方法论6
1.2.3数据挖掘的任务和应用9
1.2.4数据挖掘得到的知识形式11
1.2.5数据挖掘算法的分类14
1.3SPSSModeler软件概述17
1.3.1SPSSModeler的数据流17
1.3.2SPSSModeler的窗口19
1.3.3数据流的基本管理21
1.3.4缓存节点和超节点24
1.3.5从一个示例看SPSSModeler的使用25
第2章SPSSModeler的数据读入和数据集成31
2.1变量类型31
2.1.1从数据挖掘角度看变量类型31
2.1.2从计算机存储角度看变量类型32
2.2读入数据32
2.2.1读自由格式的文本文件33
2.2.2读Excel电子表格数据36
2.2.3读SPSS格式文件37
2.3数据集成38
2.3.1数据的纵向合并38
2.3.2数据的横向合并40
2.3.3数据源替换43
第3章SPSSModeler的数据理解45
3.1变量说明45
3.1.1变量的重新实例化46
3.1.2有效变量值和无效值调整47
3.1.3变量角色的说明49
3.2数据质量的评估和调整50
3.2.1数据的基本特征与质量评价报告50
3.2.2变量值的调整53
3.2.3数据质量管理56
3.3数据的排序58
3.3.1单变量排序58
3.3.2多重排序59
3.4数据的分类汇总60
3.4.1单变量分类汇总60
3.4.2多重分类汇总61
第4章SPSSModeler的数据准备62
4.1变量变换62
4.1.1CLEM表达式62
4.1.2变量值的重新计算65
4.1.3变量类别值的调整67
4.2变量派生68
4.2.1生成新变量68
4.2.2生成服从正态分布的新变量72
4.2.3派生哑变量75
4.3数据精简76
4.3.1随机抽样76
4.3.2根据条件选取样本79
4.4建模中的数据集处理策略80
4.4.1样本的平衡处理80
4.4.2样本子集的划分81
第5章SPSSModeler的基本分析85
5.1数值型变量的基本分析85
5.1.1计算基本描述统计量85
5.1.2绘制散点图88
5.1.3绘制线图91
5.2两分类型变量相关性的研究93
5.2.1两分类型变量相关性的图形分析93
5.2.2两分类型变量相关性的数值分析98
5.3两总体的均值比较102
5.3.1两总体均值比较的图形分析102
5.3.2独立样本的均值检验104
5.3.3配对样本的均值检验108
5.4RFM分析110
5.4.1什么是RFM分析110
5.4.2RFM汇总110
5.4.3计算RFM得分112
第6章SPSSModeler的数据精简115
6.1变量值的离散化处理115
6.1.1无监督的数据分组115
6.1.2有监督的数据分组116
6.1.3变量值离散化处理的应用示例119
6.2特征选择122
6.2.1特征选择的一般方法123
6.2.2特征选择的应用示例124
6.3因子分析128
6.3.1什么是因子分析128
6.3.2因子提取和因子载荷矩阵的求解131
6.3.3因子的命名解释134
6.3.4计算因子得分135
6.3.5因子分析的应用示例136
第7章分类预测：SPSSModeler的决策树141
7.1决策树算法概述141
7.1.1什么是决策树141
7.1.2决策树的几何理解143
7.1.3决策树的核心问题143
7.2SPSSModeler的C5.0算法及其应用146
7.2.1信息熵和信息增益146
7.2.2C5.0决策树的生长算法147
7.2.3C5.0决策树的剪枝算法152
7.2.4C5.0决策树的基本应用示例154
7.2.5C5.0的推理规则集158
7.2.6损失矩阵163
7.2.7N折交叉验证和Boosting技术165
7.3SPSSModeler的分类回归树及其应用169
7.3.1分类回归树的生长过程169
7.3.2分类回归树的剪枝过程171
7.3.3损失矩阵对分类回归树的影响174
7.3.4分类回归树的基本应用示例174
7.3.5分类回归树的交互建模178
7.3.6交互建模中分类回归树的评价180
7.4SPSSModeler的CHAID算法及其应用185
7.4.1CHAID算法185
7.4.2穷举CHAID算法186
7.4.3CHAID算法的剪枝187
7.4.4CHAID算法的应用示例187
7.5SPSSModeler的QUEST算法及其应用189
7.5.1QUEST算法189
7.5.2QUEST算法的应用示例191
7.6模型的对比分析192
7.6.1不同模型的误差对比192
7.6.2不同模型的收益对比195
第8章分类预测：SPSSModeler的人工神经网络198
8.1人工神经网络算法概述198
8.1.1人工神经网络的概念和种类198
8.1.2人工神经网络中的节点和意义200
8.1.3人工神经网络建立的一般步骤202
8.2SPSSModeler的B-P反向传播网络204
8.2.1感知机模型204
8.2.2B-P反向传播网络的特点207
8.2.3B-P反向传播算法209
8.2.4B-P反向传播网络的其他问题212
8.3SPSSModeler的B-P反向传播网络的应用214
8.3.1基本操作215
8.3.2结果说明215
8.4SPSSModeler的径向基函数网络及其应用216
8.4.1径向基函数网络中的隐节点和输出节点217
8.4.2径向基函数网络的学习过程217
8.4.3径向基函数网络的应用示例219
第9章分类预测：SPSSModeler的支持向量机221
9.1支持向量分类的基本思路221
9.1.1支持向量分类的数据和目标221
9.1.2支持向量分类的三种情况223
9.2线性可分问题下的支持向量分类224
9.2.1如何求解超平面224
9.2.2如何利用超平面进行分类预测226
9.3广义线性可分下的支持向量分类227
9.3.1如何求解超平面227
9.3.2可调参数的意义：把握程度和精度的权衡228
9.4线性不可分下的支持向量分类229
9.4.1线性不可分的一般解决途径和维灾难问题229
9.4.2支持向量分类克服维灾难的途径230
9.5支持向量回归232
9.5.1支持向量回归与一般线性回归：目标和策略232
9.5.2支持向量回归的基本思路233
9.6支持向量机的应用235
9.6.1基本操作235
9.6.2结果解读236
0章分类预测：SPSSModeler的Logistic回归分析238
10.1Logistic回归分析概述238
10.2二项Logistic回归分析239
10.2.1二项Logistic回归方程239
10.2.2二项Logistic回归方程系数的含义241
10.2.3二项Logistic回归方程的检验242
10.2.4二项Logistic回归分析中的虚拟自变量246
10.3二项Logistic回归分析的应用246
10.3.1基本操作247
10.3.2结果解读249
10.4多项Logistic回归分析及其应用257
10.4.1多项Logistic回归分析概述257
10.4.2多项Logistic回归分析的应用示例257
1章分类预测：SPSSModeler的判别分析262
11.1距离判别262
11.1.1距离判别的基本思路262
11.1.2判别函数的计算263
11.2Fisher判别264
11.2.1Fisher判别的基本思路264
11.2.2Fisher判别的计算266
11.3贝叶斯判别267
11.3.1贝叶斯判别的基本思路267
11.3.2贝叶斯判别的计算267
11.4判别分析的应用268
11.4.1基本操作268
11.4.2判别分析的准备工作269
11.4.3结果解读273
2章分类预测：SPSSModeler的贝叶斯网络279
12.1贝叶斯方法基础279
12.1.1贝叶斯概率和贝叶斯公式279
12.1.2朴素贝叶斯分类法280
12.2贝叶斯网络概述282
12.2.1什么是贝叶斯网络282
12.2.2贝叶斯网络的组成及构建283
12.2.3贝叶斯网络的分类预测284
12.3TAN贝叶斯网络285
12.3.1TAN贝叶斯网络的结构285
12.3.2TAN贝叶斯网络结构的学习286
12.3.3TAN贝叶斯网络的参数估计288
12.4马尔科夫毯网络290
12.4.1马尔科夫毯网络的基本概念290
12.4.2条件独立检验291
12.4.3马尔科夫毯网络结构的学习292
12.4.4马尔科夫毯网络的分类预测293
12.5贝叶斯网络的应用293
12.5.1基本操作293
12.5.2结果解读295
3章探索内部结构：SPSSModeler的关联分析299
13.1简单关联规则及其有效性299
13.1.1简单关联规则的基本概念299
13.1.2简单关联规则的有效性和实用性301
13.2SPSSModeler的Apriori算法及其应用305
13.2.1产生频繁项集305
13.2.2依据频繁项集产生简单关联规则307
13.2.3Apriori算法的应用示例307
13.3SPSSModeler的序列关联及其应用312
13.3.1序列关联中的基本概念312
13.3.2Sequence算法313
13.3.3序列关联的时间约束316
13.3.4Sequence算法的应用示例317
4章探索内部结构：SPSSModeler的聚类分析320
14.1聚类分析的一般问题320
14.1.1聚类分析的提出320
14.1.2聚类算法320
14.2SPSSModeler的K-Means聚类及应用321
14.2.1K-Means对“亲疏程度”的测度321
14.2.2K-Means聚类过程321
14.2.3K-Means聚类的应用示例324
14.3SPSSModeler的两步聚类及其应用327
14.3.1两步聚类对“亲疏程度”的测度328
14.3.2两步聚类过程328
14.3.3聚类数目的确定330
14.3.4两步聚类的应用示例332
14.4SPSSModeler的Kohonen网络聚类及其应用333
14.4.1Kohonen网络聚类机理333
14.4.2Kohonen网络聚类过程335
14.4.3Kohonen网络聚类的应用示例337
14.5基于聚类分析的离群点探索342
14.5.1多维空间基于聚类的离群点诊断方法343
14.5.2多维空间基于聚类的离群点诊断应用示例345
— 没有更多了 —
以下为对购买帮助不大的评价