SPSSModeler数据挖掘方法及应用（第2版）

第1章 数据挖掘和Clementine概述
1.1 数据挖掘的产生背景
1.1.1 海量数据的分析需求催生数据挖掘
1.1.2 应用对理论的挑战催生数据挖掘
1.2 什么是数据挖掘
1.2.1 数据挖掘的概念
1.2.2 数据挖掘能做什么
1.2.3 数据挖掘得到的知识形式
1.2.4 数据挖掘的算法分类
1.3 Clementine软件概述
1.3.1 Clementine的窗口
1.3.2 数据流的基本管理和执行
1.3.3 数据流的其他管理
1.3.4 从一个示例看Clementine的使用
第2章 Clementine数据的读入
2.1 变量的类型
2.1.1 从数据挖掘角度看变量类型
2.1.2 从数据存储角度看变量类型
2.2 读入数据
2.2.1 读自由格式的文本文件
2.2.2 读Excel电子表格数据
2.2.3 读SPSS格式文件
2.2.4 读数据库文件
2.3 生成实验方案数据
2.4 合并数据
2.4.1 数据的纵向合并
2.4.2 数据的横向合并 44
第3章 Clementine变量的管理
3.1 变量说明
3.1.1 取值范围和缺失值的说明
3.1.2 变量取值有效性检查和修正
3.1.3 变量角色的说明
3.2 变量值的重新计算
3.2.1 CLEM表达式
3.2.2 变量值重新计算示例
3.3 变量类别值的调整
3.4 生成新变量
3.5 变量值的离散化处理
3.5.1 常用的分箱方法
3.5.2 变量值的离散化处理示例
3.6 生成样本集分割变量
3.6.1 样本集分割的意义和常见方法
3.6.2 生成样本集分割变量的示例
第4章 Clementine样本的管理
4.1 样本的排序
4.2 样本的条件筛选
4.3 样本的随机抽样
4.4 样本的浓缩处理
4.5 样本的分类汇总
4.6 样本的平衡处理
4.7 样本的其他管理
4.7.1 数据转置
4.7.2 数据的重新组织
第5章 Clementine数据的基本分析
5.1 数据质量的探索
5.1.1 数据的基本描述与质量探索
5.1.2 离群点和极端值的修正
5.1.3 缺失值的替补
5.1.4 数据质量管理的其他功能
5.2 基本描述分析
5.2.1 计算基本描述统计量
5.2.2 绘制散点图
5.3 变量分布的探索
5.4 两分类变量相关性的研究
5.4.1 两分类变量相关性的图形分析
5.4.2 两分类变量相关性的数值分析
5.5 两总体的均值比较
5.5.1 两总体均值比较的图形分析
5.5.2 独立样本的均值检验
5.5.3 配对样本的均值检验
5.6 变量重要性的分析
5.6.1 变量重要性分析的一般方法
5.6.2 变量重要性分析的应用示例
第6章 分类预测：Clementine的决策树
6.1 决策树算法概述
6.1.1 什么是决策树
6.1.2 决策树的几何理解
6.1.3 决策树的核心问题
6.2 Clementine的C5.0算法及应用
6.2.1 信息熵和信息增益
6.2.2 C5.0的决策树生长算法
6.2.3 C5.0的剪枝算法
6.2.4 C5.0的推理规则集
6.2.5 C5.0的基本应用示例
6.2.6 C5.0的损失矩阵和Boosting技术
6.2.7 C5.0的模型评价
6.2.8 C5.0的其他话题：推理规则、交叉验证和未剪枝的决策树
6.3 Clementine的分类回归树及应用
6.3.1 分类回归树的生长过程
6.3.2 分类回归树的剪枝过程
6.3.3 损失矩阵对分类树的影响
6.3.4 分类回归树的基本应用示例
6.3.5 分类回归树的交互建模
6.3.6 分类回归树的模型评价
6.4 Clementine的CHAID算法及应用
6.4.1 CHAID分组变量的预处理和选择策略
6.4.2 Exhaustive CHAID算法
6.4.3 CHAID的剪枝
6.4.4 CHAID的应用示例
6.5 Clementine的QUEST算法及应用
6.5.1 QUEST算法确定最佳分组变量和分割点的方法
6.5.2 QUEST算法的应用示例
6.6 决策树算法评估的图形比较
6.6.1 不同模型的误差对比
6.6.2 不同模型收益的对比
第7章 分类预测：Clementine的人工神经网络
7.1 人工神经网络算法概述
7.1.1 人工神经网络的概念和种类
7.1.2 人工神经网络中的节点和意义
7.1.3 人工神经网络建立的一般步骤
7.2 Clementine的B-P反向传播网络
7.2.1 感知机模型
7.2.2 B-P反向传播网络的特点
7.2.3 B-P反向传播算法
7.2.4 B-P反向传播网络的其他问题
7.3 Clementine的B-P反向传播网络的应用
7.3.1 基本操作说明
7.3.2 计算结果说明
7.3.3 提高模型预测精度
7.4 Clementine的径向基函数网络及应用
7.4.1 径向基函数网络中的隐节点和输出节点
7.4.2 径向基函数网络的学习过程
7.4.3 径向基函数网络的应用示例
第8章 分类预测：Clementine的统计方法
8.1 Clementine的Logistic回归分析及应用
8.1.1 二项Logistic回归方程
8.1.2 二项Logistic回归方程系数的含义
8.1.3 二项Logistic回归方程的检验
8.1.4 二项Logistic回归分析的应用示例
8.1.5 多项Logistic回归分析的应用示例
8.2 Clementine的判别分析及应用
8.2.1 距离判别法
8.2.2 Fisher判别法
8.2.3 贝叶斯判别法
8.2.4 判别分析的应用示例
第9章 探索内部结构：Clementine的关联分析
9.1 简单关联规则及其有效性
9.1.1 简单关联规则的基本概念
9.1.2 简单关联规则的有效性和实用性
9.2 Clementine的Apriori算法及应用
9.2.1 产生频繁项集
9.2.2 依据频繁项集产生简单关联规则
9.2.3 Apriori算法的应用示例
9.3 Clementine的GRI算法及应用
9.3.1 GRI算法基本思路
9.3.2 GRI算法的具体策略
9.3.3 GRI算法的应用示例
9.4 Clementine的序列关联及应用
9.4.1 序列关联中的基本概念
9.4.2 Sequence算法
9.4.3 序列关联的时间约束
9.4.4 序列关联分析的应用示例
第10章 探索内部结构：Clementine的聚类分析
10.1 聚类分析的一般问题
10.1.1 聚类分析的提出
10.1.2 聚类分析的算法
10.2 Clementine的K-Means聚类及应用
10.2.1 K-Means对“亲疏程度”的测度
10.2.2 K-Means聚类过程
10.2.3 K-Means聚类的应用示例
10.3 Clementine的两步聚类及应用
10.3.1 两步聚类对“亲疏程度”的测度
10.3.2 两步聚类过程
10.3.3 聚类数目的确定
10.3.4 两步聚类的应用示例
10.4 Clementine的Kohonen网络聚类及应用
10.4.1 Kohonen网络的聚类机理
10.4.2 Kohonen网络的聚类过程
10.4.3 Kohonen网络聚类的示例
10.5 基于聚类分析的离群点探索及应用
10.5.1 多维空间基于聚类的诊断方法
10.5.2 多维空间基于聚类的诊断方法应用示例
参考文献