歡迎光臨中圖網(wǎng) 請(qǐng) | 注冊
> >>
SPSS Modeler數(shù)據(jù)挖掘方法及應(yīng)用

SPSS Modeler數(shù)據(jù)挖掘方法及應(yīng)用

作者:薛薇
出版社:電子工業(yè)出版社出版時(shí)間:2020-03-01
開本: 26cm 頁數(shù): 11,348頁
本類榜單:教材銷量榜
中 圖 價(jià):¥43.5(6.3折) 定價(jià)  ¥69.0 登錄后可看到會(huì)員價(jià)
加入購物車 收藏
運(yùn)費(fèi)6元,滿39元免運(yùn)費(fèi)
?新疆、西藏除外
本類五星書更多>
買過本商品的人還買了

SPSS Modeler數(shù)據(jù)挖掘方法及應(yīng)用 版權(quán)信息

SPSS Modeler數(shù)據(jù)挖掘方法及應(yīng)用 本書特色

適讀人群 :本書適合于從事數(shù)據(jù)分析各應(yīng)用領(lǐng)域的讀者,尤其適合于商業(yè)管理、財(cái)政經(jīng)濟(jì)、金融保險(xiǎn)、社會(huì)研究、人文教育等行業(yè)的相關(guān)人員學(xué)習(xí)使用。同時(shí),也能夠作為高等院校計(jì)算機(jī)類、財(cái)經(jīng)類、管理類專業(yè)本科生和研究生的數(shù)據(jù)挖掘教材。一、采用SPSS Modeler 18中文版進(jìn)行講解,通俗易懂、理論和應(yīng)用實(shí)踐相結(jié)合。 二、突出算法基本思路、軟件操作使用和結(jié)果解讀是本書的重要特征。 三、在章節(jié)安排上進(jìn)行了調(diào)整。首先,基于應(yīng)用場景廣泛性的考慮,壓縮了第2版的部分內(nèi)容,如2.3節(jié)、4.7節(jié)等;其次,第3版略去了軟件版本升級(jí)中未保留下來的模塊的相關(guān)章節(jié)內(nèi)容,如9.3節(jié)等;再次,依據(jù)數(shù)據(jù)挖掘方法論的業(yè)務(wù)理解、數(shù)據(jù)理解、數(shù)據(jù)準(zhǔn)備、建立模型、方案評(píng)估、方案實(shí)施,將第2版的第3、4章進(jìn)行了重排,構(gòu)成了第3章SPSS Modeler的數(shù)據(jù)理解和第4章SPSS Modeler的數(shù)據(jù)準(zhǔn)備相關(guān)內(nèi)容;*后,Logistic回歸分析和判別分析等現(xiàn)代統(tǒng)計(jì)方法在數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)中日漸普及,為突出方法的重要性,將第2版8.1節(jié)和8.2節(jié)獨(dú)立成章。 四、增加了一些重要的建模策略和方法,極大豐富了教材內(nèi)容。

SPSS Modeler數(shù)據(jù)挖掘方法及應(yīng)用 內(nèi)容簡介

數(shù)據(jù)挖掘是大數(shù)據(jù)分析中*活躍的地帶。SPSS Modeler充分利用計(jì)算機(jī)系統(tǒng)的運(yùn)算處理能力和圖形展現(xiàn)能力,將數(shù)據(jù)挖掘方法、應(yīng)用與工具有機(jī)地融為一體,成為內(nèi)容全面、功能強(qiáng)大、操作友好的數(shù)據(jù)挖掘軟件產(chǎn)品,是大數(shù)據(jù)分析的理想工具。本書以數(shù)據(jù)挖掘的實(shí)踐過程為主線,系統(tǒng)介紹了決策樹、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、Logistic回歸、判別分析、貝葉斯網(wǎng)絡(luò)、聚類分析等一系列經(jīng)典數(shù)據(jù)挖掘方法,以及數(shù)據(jù)整理和降維處理等**知識(shí),同時(shí)給出了SPSS Modeler實(shí)現(xiàn)的全過程。講解方法從易到難,說明問題由淺入深,軟件操作詳細(xì)全面。本書力求以*通俗的方式闡述數(shù)據(jù)挖掘方法的核心思想與基本原理,同時(shí)配合SPSS Modeler 18(中文版)軟件操作說明,希望讀者能夠直觀理解方法的本質(zhì),快速掌握軟件使用技巧,并應(yīng)用到數(shù)據(jù)挖掘?qū)嵺`中。本書提供實(shí)例數(shù)據(jù)和電子課件,讀者可登錄華信教育資源網(wǎng)www.hxedu.com.cn免費(fèi)下載使用。本書可作為高等院校管理類、財(cái)經(jīng)類、計(jì)算機(jī)類專業(yè)本科生和研究生的數(shù)據(jù)挖掘教材,也可作為商業(yè)管理、金融保險(xiǎn)、社會(huì)教育等行業(yè)進(jìn)行數(shù)據(jù)挖掘?qū)嵺`的參考用書。

SPSS Modeler數(shù)據(jù)挖掘方法及應(yīng)用 目錄

目 錄
第1章 數(shù)據(jù)挖掘和SPSS Modeler使用概述 1
1.1 數(shù)據(jù)挖掘的產(chǎn)生背景 1
1.1.1 海量大數(shù)據(jù)的分析需求催生數(shù)據(jù)挖掘 1
1.1.2 應(yīng)用對(duì)理論的挑戰(zhàn)催生數(shù)據(jù)挖掘 2
1.2 什么是數(shù)據(jù)挖掘 4
1.2.1 數(shù)據(jù)挖掘和數(shù)據(jù)庫中的知識(shí)發(fā)現(xiàn) 5
1.2.2 數(shù)據(jù)挖掘方法論 6
1.2.3 數(shù)據(jù)挖掘的任務(wù)和應(yīng)用 9
1.2.4 數(shù)據(jù)挖掘得到的知識(shí)形式 11
1.2.5 數(shù)據(jù)挖掘算法的分類 14
1.3 SPSS Modeler軟件概述 17
1.3.1 SPSS Modeler的數(shù)據(jù)流 17
1.3.2 SPSS Modeler的窗口 19
1.3.3 數(shù)據(jù)流的基本管理 21
1.3.4 緩存節(jié)點(diǎn)和超節(jié)點(diǎn) 24
1.3.5 從一個(gè)示例看SPSS Modeler的使用 25
第2章 SPSS Modeler的數(shù)據(jù)讀入和數(shù)據(jù)集成 31
2.1 變量類型 31
2.1.1 從數(shù)據(jù)挖掘角度看變量類型 31
2.1.2 從計(jì)算機(jī)存儲(chǔ)角度看變量類型 32
2.2 讀入數(shù)據(jù) 32
2.2.1 讀自由格式的文本文件 33
2.2.2 讀Excel電子表格數(shù)據(jù) 36
2.2.3 讀SPSS格式文件 37
2.3 數(shù)據(jù)集成 38
2.3.1 數(shù)據(jù)的縱向合并 38
2.3.2 數(shù)據(jù)的橫向合并 40
2.3.3 數(shù)據(jù)源替換 43
第3章 SPSS Modeler的數(shù)據(jù)理解 45
3.1 變量說明 45
3.1.1 變量的重新實(shí)例化 46
3.1.2 有效變量值和無效值調(diào)整 47
3.1.3 變量角色的說明 49
3.2 數(shù)據(jù)質(zhì)量的評(píng)估和調(diào)整 50
3.2.1 數(shù)據(jù)的基本特征與質(zhì)量評(píng)價(jià)報(bào)告 50
3.2.2 變量值的調(diào)整 53
3.2.3 數(shù)據(jù)質(zhì)量管理 56
3.3 數(shù)據(jù)的排序 58
3.3.1 單變量排序 58
3.3.2 多重排序 59
3.4 數(shù)據(jù)的分類匯總 60
3.4.1 單變量分類匯總 60
3.4.2 多重分類匯總 61
第4章 SPSS Modeler的數(shù)據(jù)準(zhǔn)備 62
4.1 變量變換 62
4.1.1 CLEM表達(dá)式 62
4.1.2 變量值的重新計(jì)算 65
4.1.3 變量類別值的調(diào)整 67
4.2 變量派生 68
4.2.1 生成新變量 68
4.2.2 生成服從正態(tài)分布的新變量 72
4.2.3 派生啞變量 75
4.3 數(shù)據(jù)精簡 76
4.3.1 隨機(jī)抽樣 76
4.3.2 根據(jù)條件選取樣本 79
4.4 建模中的數(shù)據(jù)集處理策略 80
4.4.1 樣本的平衡處理 80
4.4.2 樣本子集的劃分 81
第5章 SPSS Modeler的基本分析 85
5.1 數(shù)值型變量的基本分析 85
5.1.1 計(jì)算基本描述統(tǒng)計(jì)量 85
5.1.2 繪制散點(diǎn)圖 88
5.1.3 繪制線圖 91
5.2 兩分類型變量相關(guān)性的研究 93
5.2.1 兩分類型變量相關(guān)性的圖形分析 93
5.2.2 兩分類型變量相關(guān)性的數(shù)值分析 98
5.3 兩總體的均值比較 102
5.3.1 兩總體均值比較的圖形分析 102
5.3.2 獨(dú)立樣本的均值檢驗(yàn) 104
5.3.3 配對(duì)樣本的均值檢驗(yàn) 108
5.4 RFM分析 110
5.4.1 什么是RFM分析 110
5.4.2 RFM匯總 110
5.4.3 計(jì)算RFM得分 112
第6章 SPSS Modeler的數(shù)據(jù)精簡 115
6.1 變量值的離散化處理 115
6.1.1 無監(jiān)督的數(shù)據(jù)分組 115
6.1.2 有監(jiān)督的數(shù)據(jù)分組 116
6.1.3 變量值離散化處理的應(yīng)用示例 119
6.2 特征選擇 122
6.2.1 特征選擇的一般方法 123
6.2.2 特征選擇的應(yīng)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 因子提取和因子載荷矩陣的求解 131
6.3.3 因子的命名解釋 134
6.3.4 計(jì)算因子得分 135
6.3.5 因子分析的應(yīng)用示例 136
第7章 分類預(yù)測:SPSS Modeler的決策樹 141
7.1 決策樹算法概述 141
7.1.1 什么是決策樹 141
7.1.2 決策樹的幾何理解 143
7.1.3 決策樹的核心問題 143
7.2 SPSS Modeler的C5.0算法及其應(yīng)用 146
7.2.1 信息熵和信息增益 146
7.2.2 C5.0決策樹的生長算法 147
7.2.3 C5.0決策樹的剪枝算法 152
7.2.4 C5.0決策樹的基本應(yīng)用示例 154
7.2.5 C5.0的推理規(guī)則集 158
7.2.6 損失矩陣 163
7.2.7 N折交叉驗(yàn)證和Boosting技術(shù) 165
7.3 SPSS Modeler的分類回歸樹及其應(yīng)用 169
7.3.1 分類回歸樹的生長過程 169
7.3.2 分類回歸樹的剪枝過程 171
7.3.3 損失矩陣對(duì)分類回歸樹的影響 174
7.3.4 分類回歸樹的基本應(yīng)用示例 174
7.3.5 分類回歸樹的交互建模 178
7.3.6 交互建模中分類回歸樹的評(píng)價(jià) 180
7.4 SPSS Modeler的CHAID算法及其應(yīng)用 185
7.4.1 CHAID算法 185
7.4.2 窮舉CHAID算法 186
7.4.3 CHAID算法的剪枝 187
7.4.4 CHAID算法的應(yīng)用示例 187
7.5 SPSS Modeler的QUEST算法及其應(yīng)用 189
7.5.1 QUEST算法 189
7.5.2 QUEST算法的應(yīng)用示例 191
7.6 模型的對(duì)比分析 192
7.6.1 不同模型的誤差對(duì)比 192
7.6.2 不同模型的收益對(duì)比 195
第8章 分類預(yù)測:SPSS Modeler的人工神經(jīng)網(wǎng)絡(luò) 198
8.1 人工神經(jīng)網(wǎng)絡(luò)算法概述 198
8.1.1 人工神經(jīng)網(wǎng)絡(luò)的概念和種類 198
8.1.2 人工神經(jīng)網(wǎng)絡(luò)中的節(jié)點(diǎn)和意義 200
8.1.3 人工神經(jīng)網(wǎng)絡(luò)建立的一般步驟 202
8.2 SPSS Modeler的B-P反向傳播網(wǎng)絡(luò) 204
8.2.1 感知機(jī)模型 204
8.2.2 B-P反向傳播網(wǎng)絡(luò)的特點(diǎn) 207
8.2.3 B-P反向傳播算法 209
8.2.4 B-P反向傳播網(wǎng)絡(luò)的其他問題 212
8.3 SPSS Modeler的B-P反向傳播網(wǎng)絡(luò)的應(yīng)用 214
8.3.1 基本操作 215
8.3.2 結(jié)果說明 215
8.4 SPSS Modeler的徑向基函數(shù)網(wǎng)絡(luò)及其應(yīng)用 216
8.4.1 徑向基函數(shù)網(wǎng)絡(luò)中的隱節(jié)點(diǎn)和輸出節(jié)點(diǎn) 217
8.4.2 徑向基函數(shù)網(wǎng)絡(luò)的學(xué)習(xí)過程 217
8.4.3 徑向基函數(shù)網(wǎng)絡(luò)的應(yīng)用示例 219
第9章 分類預(yù)測:SPSS Modeler的支持向量機(jī) 221
9.1 支持向量分類的基本思路 221
9.1.1 支持向量分類的數(shù)據(jù)和目標(biāo) 221
9.1.2 支持向量分類的三種情況 223
9.2 線性可分問題下的支持向量分類 224
9.2.1 如何求解超平面 224
9.2.2 如何利用超平面進(jìn)行分類預(yù)測 226
9.3 廣義線性可分下的支持向量分類 227
9.3.1 如何求解超平面 227
9.3.2 可調(diào)參數(shù)的意義:把握程度和精度的權(quán)衡 228
9.4 線性不可分下的支持向量分類 229
9.4.1 線性不可分的一般解決途徑和維災(zāi)難問題 229
9.4.2 支持向量分類克服維災(zāi)難的途徑 230
9.5 支持向量回歸 232
9.5.1 支持向量回歸與一般線性回歸:目標(biāo)和策略 232
9.5.2 支持向量回歸的基本思路 233
9.6 支持向量機(jī)的應(yīng)用 235
9.6.1 基本操作 235
9.6.2 結(jié)果解讀 236
第10章 分類預(yù)測:SPSS Modeler的Logistic回歸分析 238
10.1 Logistic回歸分析概述 238
10.2 二項(xiàng)Logistic回歸分析 239
10.2.1 二項(xiàng)Logistic回歸方程 239
10.2.2 二項(xiàng)Logistic回歸方程系數(shù)的含義 241
10.2.3 二項(xiàng)Logistic回歸方程的檢驗(yàn) 242
10.2.4 二項(xiàng)Logistic回歸分析中的虛擬自變量 246
10.3 二項(xiàng)Logistic回歸分析的應(yīng)用 246
10.3.1 基本操作 247
10.3.2 結(jié)果解讀 249
10.4 多項(xiàng)Logistic回歸分析及其應(yīng)用 257
10.4.1 多項(xiàng)Logistic回歸分析概述 257
10.4.2 多項(xiàng)Logistic回歸分析的應(yīng)用示例 257
第11章 分類預(yù)測:SPSS Modeler的判別分析 262
11.1 距離判別 262
11.1.1 距離判別的基本思路 262
11.1.2 判別函數(shù)的計(jì)算 263
11.2 Fisher判別 264
11.2.1 Fisher判別的基本思路 264
11.2.2 Fisher判別的計(jì)算 266
11.3 貝葉斯判別 267
11.3.1 貝葉斯判別的基本思路 267
11.3.2 貝葉斯判別的計(jì)算 267
11.4 判別分析的應(yīng)用 268
11.4.1 基本操作 268
11.4.2 判別分析的準(zhǔn)備工作 269
11.4.3 結(jié)果解讀 273
第12章 分類預(yù)測:SPSS Modeler的貝葉斯網(wǎng)絡(luò) 279
12.1 貝葉斯方法基礎(chǔ) 279
12.1.1 貝葉斯概率和貝葉斯公式 279
12.1.2 樸素貝葉斯分類法 280
12.2 貝葉斯網(wǎng)絡(luò)概述 282
12.2.1 什么是貝葉斯網(wǎng)絡(luò) 282
12.2.2 貝葉斯網(wǎng)絡(luò)的組成及構(gòu)建 283
12.2.3 貝葉斯網(wǎng)絡(luò)的分類預(yù)測 284
12.3 TAN貝葉斯網(wǎng)絡(luò) 285
12.3.1 TAN貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu) 285
12.3.2 TAN貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí) 286
12.3.3 TAN貝葉斯網(wǎng)絡(luò)的參數(shù)估計(jì) 288
12.4 馬爾科夫毯網(wǎng)絡(luò) 290
12.4.1 馬爾科夫毯網(wǎng)絡(luò)的基本概念 290
12.4.2 條件獨(dú)立檢驗(yàn) 291
12.4.3 馬爾科夫毯網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí) 292
12.4.4 馬爾科夫毯網(wǎng)絡(luò)的分類預(yù)測 293
12.5 貝葉斯網(wǎng)絡(luò)的應(yīng)用 293
12.5.1 基本操作 293
12.5.2 結(jié)果解讀 295
第13章 探索內(nèi)部結(jié)構(gòu):SPSS Modeler的關(guān)聯(lián)分析 299
13.1 簡單關(guān)聯(lián)規(guī)則及其有效性 299
13.1.1 簡單關(guān)聯(lián)規(guī)則的基本概念 299
13.1.2 簡單關(guān)聯(lián)規(guī)則的有效性和實(shí)用性 301
13.2 SPSS Modeler的Apriori算法及其應(yīng)用 305
13.2.1 產(chǎn)生頻繁項(xiàng)集 305
13.2.2 依據(jù)頻繁項(xiàng)集產(chǎn)生簡單關(guān)聯(lián)規(guī)則 307
13.2.3 Apriori算法的應(yīng)用示例 307
13.3 SPSS Modeler的序列關(guān)聯(lián)及其應(yīng)用 312
13.3.1 序列關(guān)聯(lián)中的基本概念 312
13.3.2 Sequence算法 313
13.3.3 序列關(guān)聯(lián)的時(shí)間約束 316
13.3.4 Sequence算法的應(yīng)用示例 317
第14章 探索內(nèi)部結(jié)構(gòu):SPSS Modeler的聚類分析 320
14.1 聚類分析的一般問題 320
14.1.1 聚類分析的提出 320
14.1.2 聚類算法 320
14.2 SPSS Modeler的K-Means聚類及應(yīng)用 321
14.2.1 K-Means對(duì)“親疏程度”的測度 321
14.2.2 K-Means聚類過程 321
14.2.3 K-Means聚類的應(yīng)用示例 324
14.3 SPSS Modeler的兩步聚類及其應(yīng)用 327
14.3.1 兩步聚類對(duì)“親疏程度”的測度 328
14.3.2 兩步聚類過程 328
14.3.3 聚類數(shù)目的確定 330
14.3.4 兩步聚類的應(yīng)用示例 332
14.4 SPSS Modeler的Kohonen網(wǎng)絡(luò)聚類及其應(yīng)用 333
14.4.1 Kohonen網(wǎng)絡(luò)聚類機(jī)理 333
14.4.2 Kohonen網(wǎng)絡(luò)聚類過程 335
14.4.3 Kohonen網(wǎng)絡(luò)聚類的應(yīng)用示例 337
14.5 基于聚類分析的離群點(diǎn)探索 342
14.5.1 多維空間基于聚類的離群點(diǎn)診斷方法 343
14.5.2 多維空間基于聚類的離群點(diǎn)診斷應(yīng)用示例 345

展開全部

SPSS Modeler數(shù)據(jù)挖掘方法及應(yīng)用 作者簡介

薛薇,工學(xué)碩士,經(jīng)濟(jì)學(xué)博士,中國人民大學(xué)應(yīng)用統(tǒng)計(jì)學(xué)科研究中心副主任,中國人民大學(xué)統(tǒng)計(jì)學(xué)院副教授。主要研究領(lǐng)域:機(jī)器學(xué)習(xí)和文本挖掘、復(fù)雜網(wǎng)絡(luò)建模等。關(guān)注統(tǒng)計(jì)和數(shù)據(jù)挖掘算法及軟件應(yīng)用。涉足企業(yè)客戶終身價(jià)值測算,基于文本挖掘的熱點(diǎn)事件主題提取和分類,金融、貿(mào)易等復(fù)雜網(wǎng)絡(luò)動(dòng)態(tài)建模等方面。主要代表性教材:《SPSS統(tǒng)計(jì)分析方法及應(yīng)用》、《R語言數(shù)據(jù)挖掘方法及應(yīng)用》、《R語言:大數(shù)據(jù)分析中的統(tǒng)計(jì)方法及應(yīng)用》、《SPSS Modeler數(shù)據(jù)挖掘方法及應(yīng)用》等。

商品評(píng)論(0條)
暫無評(píng)論……
書友推薦
本類暢銷
編輯推薦
返回頂部
中圖網(wǎng)
在線客服