目 录__eol__第1章 数据挖掘和SPSS Modeler使用概述 1__eol__1.1 数据挖掘的产生背景 1__eol__1.1.1 海量大数据的分析需求催生数据挖掘 1__eol__1.1.2 应用对理论的挑战催生数据挖掘 2__eol__1.2 什么是数据挖掘 4__eol__1.2.1 数据挖掘和数据库中的知识发现 5__eol__1.2.2 数据挖掘方法论 6__eol__1.2.3 数据挖掘的任务和应用 9__eol__1.2.4 数据挖掘得到的知识形式 11__eol__1.2.5 数据挖掘算法的分类 14__eol__1.3 SPSS Modeler软件概述 17__eol__1.3.1 SPSS Modeler的数据流 17__eol__1.3.2 SPSS Modeler的窗口 19__eol__1.3.3 数据流的基本管理 21__eol__1.3.4 缓存节点和超节点 24__eol__1.3.5 从一个示例看SPSS Modeler的使用 25__eol__第2章 SPSS Modeler的数据读入和数据集成 31__eol__2.1 变量类型 31__eol__2.1.1 从数据挖掘角度看变量类型 31__eol__2.1.2 从计算机存储角度看变量类型 32__eol__2.2 读入数据 32__eol__2.2.1 读自由格式的文本文件 33__eol__2.2.2 读Excel电子表格数据 36__eol__2.2.3 读SPSS格式文件 37__eol__2.3 数据集成 38__eol__2.3.1 数据的纵向合并 38__eol__2.3.2 数据的横向合并 40__eol__2.3.3 数据源替换 43__eol__第3章 SPSS Modeler的数据理解 45__eol__3.1 变量说明 45__eol__3.1.1 变量的重新实例化 46__eol__3.1.2 有效变量值和无效值调整 47__eol__3.1.3 变量角色的说明 49__eol__3.2 数据质量的评估和调整 50__eol__3.2.1 数据的基本特征与质量评价报告 50__eol__3.2.2 变量值的调整 53__eol__3.2.3 数据质量管理 56__eol__3.3 数据的排序 58__eol__3.3.1 单变量排序 58__eol__3.3.2 多重排序 59__eol__3.4 数据的分类汇总 60__eol__3.4.1 单变量分类汇总 60__eol__3.4.2 多重分类汇总 61__eol__第4章 SPSS Modeler的数据准备 62__eol__4.1 变量变换 62__eol__4.1.1 CLEM表达式 62__eol__4.1.2 变量值的重新计算 65__eol__4.1.3 变量类别值的调整 67__eol__4.2 变量派生 68__eol__4.2.1 生成新变量 68__eol__4.2.2 生成服从正态分布的新变量 72__eol__4.2.3 派生哑变量 75__eol__4.3 数据精简 76__eol__4.3.1 随机抽样 76__eol__4.3.2 根据条件选取样本 79__eol__4.4 建模中的数据集处理策略 80__eol__4.4.1 样本的平衡处理 80__eol__4.4.2 样本子集的划分 81__eol__第5章 SPSS Modeler的基本分析 85__eol__5.1 数值型变量的基本分析 85__eol__5.1.1 计算基本描述统计量 85__eol__5.1.2 绘制散点图 88__eol__5.1.3 绘制线图 91__eol__5.2 两分类型变量相关性的研究 93__eol__5.2.1 两分类型变量相关性的图形分析 93__eol__5.2.2 两分类型变量相关性的数值分析 98__eol__5.3 两总体的均值比较 102__eol__5.3.1 两总体均值比较的图形分析 102__eol__5.3.2 独立样本的均值检验 104__eol__5.3.3 配对样本的均值检验 108__eol__5.4 RFM分析 110__eol__5.4.1 什么是RFM分析 110__eol__5.4.2 RFM汇总 110__eol__5.4.3 计算RFM得分 112__eol__第6章 SPSS Modeler的数据精简 115__eol__6.1 变量值的离散化处理 115__eol__6.1.1 无监督的数据分组 115__eol__6.1.2　有监督的数据分组 116__eol__6.1.3 变量值离散化处理的应用示例 119__eol__6.2　特征选择 122__eol__6.2.1　特征选择的一般方法 123__eol__6.2.2　特征选择的应用示例 124__eol__6.3 因子分析 128__eol__6.3.1 什么是因子分析 128__eol__6.3.2　因子提取和因子载荷矩阵的求解 131__eol__6.3.3　因子的命名解释 134__eol__6.3.4　计算因子得分 135__eol__6.3.5　因子分析的应用示例 136__eol__第7章 分类预测：SPSS Modeler的决策树 141__eol__7.1 决策树算法概述 141__eol__7.1.1 什么是决策树 141__eol__7.1.2 决策树的几何理解 143__eol__7.1.3 决策树的核心问题 143__eol__7.2 SPSS Modeler的C5.0算法及其应用 146__eol__7.2.1 信息熵和信息增益 146__eol__7.2.2 C5.0决策树的生长算法 147__eol__7.2.3 C5.0决策树的剪枝算法 152__eol__7.2.4 C5.0决策树的基本应用示例 154__eol__7.2.5 C5.0的推理规则集 158__eol__7.2.6 损失矩阵 163__eol__7.2.7 N折交叉验证和Boosting技术 165__eol__7.3 SPSS Modeler的分类回归树及其应用 169__eol__7.3.1 分类回归树的生长过程 169__eol__7.3.2 分类回归树的剪枝过程 171__eol__7.3.3 损失矩阵对分类回归树的影响 174__eol__7.3.4 分类回归树的基本应用示例 174__eol__7.3.5 分类回归树的交互建模 178__eol__7.3.6 交互建模中分类回归树的评价 180__eol__7.4 SPSS Modeler的CHAID算法及其应用 185__eol__7.4.1 CHAID算法 185__eol__7.4.2 穷举CHAID算法 186__eol__7.4.3 CHAID算法的剪枝 187__eol__7.4.4 CHAID算法的应用示例 187__eol__7.5 SPSS Modeler的QUEST算法及其应用 189__eol__7.5.1 QUEST算法 189__eol__7.5.2 QUEST算法的应用示例 191__eol__7.6 模型的对比分析 192__eol__7.6.1 不同模型的误差对比 192__eol__7.6.2 不同模型的收益对比 195__eol__第8章　分类预测：SPSS Modeler的人工神经网络 198__eol__8.1　人工神经网络算法概述 198__eol__8.1.1　人工神经网络的概念和种类 198__eol__8.1.2　人工神经网络中的节点和意义 200__eol__8.1.3　人工神经网络建立的一般步骤 202__eol__8.2 SPSS Modeler的B-P反向传播网络 204__eol__8.2.1 感知机模型 204__eol__8.2.2 B-P反向传播网络的特点 207__eol__8.2.3 B-P反向传播算法 209__eol__8.2.4 B-P反向传播网络的其他问题 212__eol__8.3 SPSS Modeler的B-P反向传播网络的应用 214__eol__8.3.1 基本操作 215__eol__8.3.2 结果说明 215__eol__8.4 SPSS Modeler的径向基函数网络及其应用 216__eol__8.4.1 径向基函数网络中的隐节点和输出节点 217__eol__8.4.2 径向基函数网络的学习过程 217__eol__8.4.3 径向基函数网络的应用示例 219__eol__第9章　分类预测：SPSS Modeler的支持向量机 221__eol__9.1　支持向量分类的基本思路 221__eol__9.1.1　支持向量分类的数据和目标 221__eol__9.1.2　支持向量分类的三种情况 223__eol__9.2　线性可分问题下的支持向量分类 224__eol__9.2.1　如何求解超平面 224__eol__9.2.2　如何利用超平面进行分类预测 226__eol__9.3　广义线性可分下的支持向量分类 227__eol__9.3.1　如何求解超平面 227__eol__9.3.2　可调参数的意义：把握程度和精度的权衡 228__eol