IBM SPSS Modeler 18.0數(shù)據(jù)挖掘權(quán)威指南

第 1章 IBM SPSS Modeler基本介紹 1
1．1　SPSS簡介　1
1．2　SPSS Modeler的特點　1
1．3　CRISP-DM方法論　4
1．4　SPSS Modeler 下載與安裝　6
1．5　SPSS Modeler的主界面及基本操作　9
1．5．1　主界面介紹　9
1．5．2　鼠標基本操作　15
1．6　SPSS Modeler連接服務器端　15
1．7　從SPSS Modeler中獲取幫助　17
1．8　實戰(zhàn)技巧　20
第　2章 數(shù)據(jù)讀取——源節(jié)點　24
2．1　數(shù)據(jù)的身份（存儲類型、測量級別和角色）　24
2．1．1　變量的存儲類型　24
2．1．2　變量的測量級別　25
2．1．3　變量的角色　26
2．2　數(shù)據(jù)讀取　26
2．2．1　讀取Excel文件數(shù)據(jù)　27
2．2．2　讀取變量文件數(shù)據(jù)　30
2．2．3　讀取SPSS（．sav）文件數(shù)據(jù)　32
2．2．4　讀取數(shù)據(jù)庫數(shù)據(jù)　36
2．3　實戰(zhàn)技巧　40
第3章　數(shù)據(jù)整理——關于數(shù)據(jù)的基本設定與集成　43
3．1　字段的“類型”功能　43
3．2　字段的“過濾器”功能　44
3．3　數(shù)據(jù)集成　46
3．3．1　數(shù)據(jù)的記錄集成：追加節(jié)點　46
3．3．2　數(shù)據(jù)的字段集成：合并節(jié)點　49
3．4　實戰(zhàn)技巧　51
第4章　數(shù)據(jù)整理——關于行的處理　53
4．1　數(shù)據(jù)“選擇”功能　53
4．1．1　功能介紹　53
4．1．2　實戰(zhàn)技巧　55
4．2　使用參數(shù)及全局變量實現(xiàn)數(shù)據(jù)選擇功能　56
4．2．1　參數(shù)功能　56
4．2．2　使用參數(shù)實例介紹　57
4．2．3　使用全局變量功能介紹　59
4．2．4　使用全局變量實例介紹　59
4．3　數(shù)據(jù)排序　62
4．4　數(shù)據(jù)區(qū)分　63
4．5　數(shù)據(jù)匯總　68
4．5．1　功能介紹　68
4．5．2　實戰(zhàn)技巧　72
第5章　數(shù)據(jù)整理——關于列的處理　73
5．1　導出　73
5．1．1　功能介紹　73
5．1．2　實例介紹　81
5．2　填充　84
5．3　重新分類　86
5．4　匿名化　89
5．5　分級化　92
5．6　設為標志　100
5．6．1　功能介紹　100
5．6．2　實例介紹　100
5．7　重建　103
5．7．1　功能介紹　103
5．7．2　實例介紹　104
5．8　轉(zhuǎn)置　107
5．8．1　功能介紹　107
5．8．2　實例介紹　107
5．9　歷史記錄　109
5．9．1　功能介紹　109
5．9．2　實例介紹　109
5．10　字段重排　113
5．11　時間間隔　116
5．11．1　功能介紹　116
5．11．2　實例介紹　116
5．12　自動數(shù)據(jù)準備　121
第6章　圖形可視化——圖形節(jié)點　128
6．1　“散點圖”節(jié)點　128
6．1．1　散點圖　128
6．1．2　線圖　139
6．1．3　多重散點圖　142
6．1．4　時間散點圖　143
6．2　“條形圖”節(jié)點　145
6．2．1　簡單條形圖　145
6．2．2　堆積條形圖　147
6．3　“直方圖”節(jié)點　148
6．3．1　直方圖　148
6．3．2　堆積直方圖　149
6．4　“網(wǎng)絡”節(jié)點　151
6．5　“圖形板”節(jié)點　154
6．5．1　氣泡圖　155
6．5．2　散點圖矩陣　156
6．5．3　箱圖　157
6．5．4　聚類箱圖　159
6．5．5　熱圖　161
6．6　實戰(zhàn)技巧：圖形的編輯模式　162
第7章　描述性統(tǒng)計分析　164
7．1　描述性統(tǒng)計分析概述　164
7．2　數(shù)據(jù)審核，一鍵輸出描述性統(tǒng)計分析結(jié)果169
7．3　缺失值的定義、檢查和處理　173
7．3．1　缺失值的定義和檢查　173
7．3．2　缺失值的自動化處理　177
7．4　實戰(zhàn)技巧　182
第8章　常用的統(tǒng)計檢驗分析　184
8．1　兩個連續(xù)型變量的關系分析——相關分析　184
8．1．1　相關分析　184
8．1．2　相關分析實踐——“Statistics”節(jié)點　185
8．2　兩個分類型變量的關系分析——卡方檢驗　187
8．2．1　列聯(lián)表與卡方檢驗　188
8．2．2　卡方檢驗實踐——“矩陣”節(jié)點　190
8．3　連續(xù)型變量與分類型變量間的關系分析——t檢驗及卡方分析　193
8．3．1　兩組獨立樣本均值比較　193
8．3．2　兩組配對樣本均值比較　194
8．3．3　方差分析　194
8．3．4　均值比較實踐——“平均值”節(jié)點　195
8．4　實戰(zhàn)技巧：相關分析的注意事項　199
第9章　回歸分析　200
9．1　一元線性回歸分析　200
9．2　一元線性回歸實踐　203
9．3　多元線性回歸分析　206
9．4　多元線性回歸實踐　210
9．5　逐步回歸分析　216
9．6　逐步回歸實踐　218
9．7　實戰(zhàn)技巧　220
第　10章 Logistic回歸分析　222
10．1　Logistic回歸理論概要　222
10．2　Logistic回歸中的檢驗　225
10．2．1　方程的顯著性檢驗　225
10．2．2　系數(shù)顯著性檢驗　225
10．2．3　擬合優(yōu)度檢驗　227
10．3　Logistic回歸實踐案例　228
10．4　實戰(zhàn)技巧　237
第　11章 建模前的優(yōu)化及準備工作　241
11．1　樣本管理與分區(qū)　241
11．1．1　數(shù)據(jù)抽樣　241
11．1．2　數(shù)據(jù)分區(qū)　244
11．1．3　數(shù)據(jù)平衡　245
11．2　特征選擇　247
11．3　數(shù)據(jù)變換　253
11．4　實戰(zhàn)技巧：分區(qū)與平衡的順序　255
第　12章 RFM分析　257
第　13章 決策樹　264
13．1　決策樹概述　264
13．1．1　決策樹的直觀理解　264
13．1．2　決策樹的生長　265
13．1．3　決策樹的剪枝　266
13．2　C5．0算法　267
13．2．1　C5．0算法的決策樹生長　267
13．2．2　C5．0算法的決策樹剪枝　270
13．2．3　代價敏感學習　270
13．2．4　C5．0算法實踐案例　271
13．3　CART算法　277
13．3．1　CART算法的決策樹生長　277
13．3．2　CART算法的決策樹剪枝　279
13．3．3　先驗概率　280
13．3．4　CART算法實踐案例　281
13．4　實戰(zhàn)技巧　287
13．4．1　生成規(guī)則集　287
13．4．2　跟蹤規(guī)則　289
第　14章 神經(jīng)網(wǎng)絡　291
14．1　感知機　292
14．2　多層感知機與誤差反向傳播算法　295
14．2．1　隱藏層　295
14．2．2　反向傳播算法　296
14．3　神經(jīng)網(wǎng)絡實踐　299
14．4　實戰(zhàn)技巧：生成“報告”　305
第　15章 集成學習算法　311
15．1　Bagging　311
15．2　Boosting　312
15．3　隨機森林　314
15．4　集成學習算法實踐　314
15．4．1　Bagging和Boosting實踐　315
15．4．2　隨機森林實踐　320
15．4．3　各個集成學習算法的結(jié)果比較　324
15．5　異質(zhì)集成——“整體”節(jié)點　325
第　16章 聚類分析　330
16．1　聚類方法概述　330
16．2　聚類方法的關鍵：距離　330
16．3　K-means算法　331
16．3．1　K-means算法原理　331
16．3．2　K-means的其他注意事項　332
16．4　K-means聚類實踐　335
16．5　實踐技巧：使用平行圖進行比較分析　341
第　17章 KNN分類器　343
17．1　KNN學習方法原理　343
17．2　KNN分類實踐　345
17．2．1　分類預測　346
17．2．2　最近鄰識別　353
第　18章 關聯(lián)分析　356
18．1　關聯(lián)分析的基本概念　356
18．2　關聯(lián)規(guī)則的有效性指標　357
18．2．1　關聯(lián)規(guī)則的基礎評價性指標　358
18．2．2　關聯(lián)規(guī)則的實用性指標　359
18．2．3　其他的關聯(lián)規(guī)則評估指標　360
18．3　Apriori算法　361
18．3．1　生成頻繁項集　361
18．3．2　生成關聯(lián)規(guī)則　362
18．4　Apriori關聯(lián)分析實踐　363
18．5　實戰(zhàn)技巧：導出生成的關聯(lián)規(guī)則　367
第　19章 自動建模　368
19．1　自動分類　368
19．1．1　功能介紹　368
19．1．2　實例介紹　368
19．2　自動聚類　375
19．2．1　功能介紹　375
19．2．2　實例介紹　376
19．3　自動數(shù)值　381
19．3．1　功能介紹　381
19．3．2　實例介紹　381
第　20章 蒙特卡羅模擬法　386
20．1　模擬生成　386
20．1．1　功能介紹　386
20．1．2　實例介紹　389
20．2　模擬擬合　393
20．2．1　功能介紹　393
20．2．2　實例介紹　394
20．3　模擬求值　396
20．3．1　功能介紹　396
20．3．2　實例介紹　396
第　21章 SPSS Modeler的集成與擴展　404
21．1　SPSS Modeler與R、Python集成　404
21．1．1　概述　404
21．1．2　SPSS Modeler與R的集成環(huán)境準備　404
21．1．3　與R的集成功能介紹　407
21．1．4　實例介紹　408
21．2　定制對話框?qū)崿F(xiàn)與R、Python的集成　416
21．2．1　定制對話框簡介　416
21．2．2　安裝配置自定義節(jié)點　422
21．3　SPSS Modeler擴展功能　422
21．3．1　功能介紹　422
21．3．2　獲取天氣數(shù)據(jù)的應用分析案例　425
第　22章 SPSS Modeler模型部署　434
22．1　產(chǎn)品架構(gòu)　434
22．2　通過批處理任務定時運行模型　435
22．2．1　功能介紹　435
22．2．2　實例介紹　436
22．3　SPSS Modeler服務器安裝及管理（For Linux）　438
22．3．1　正常維護SPSS Modeler服務器　438
22．3．2　SPSS Modeler 服務器如何在Linux上安裝及配置　439
22．3．3　配置ODBC連接數(shù)據(jù)庫　440
22．4　SPSS Modeler官方支持的數(shù)據(jù)庫和Hadoop平臺　443
第　23章 性能優(yōu)化　448
23．1　功能介紹　448
23．2　客戶端SQL性能優(yōu)化　451
23．3　數(shù)據(jù)庫內(nèi)建?！?53
23．3．1　功能介紹　453
23．3．2　實例介紹　453
23．4　使用外部程序批量加載　456