成功加入购物车
图书条目标准图
正版现货,品相完好,套书默认发一本,多种封面版本的书请咨询客服再下单
薛薇 、 陈欢歌 著 / 电子工业出版社 / 2014-01 / 平装
售价 ¥ 10.92 2.8折
定价 ¥39.00
品相 九品
优惠 满包邮
延迟发货说明
上书时间2024-02-19
卖家超过10天未登录
统计分析教材:SPSSModeler数据挖掘方法及应用(第2版)
数据挖掘是当前数据分析领域中最活跃、最前沿的地带。《统计分析教材:SPSSModeler数据挖掘方法及应用(第2版)》以数据挖掘的实践过程为主线,通过生动的应用案例,从数据挖掘实施角度,系统介绍了经典的数据挖掘方法和利用SPSSModeler实现数据挖掘的全部过程,讲解方法从易到难,说明问题从浅至深。《统计分析教材:SPSSModeler数据挖掘方法及应用(第2版)》力求以最通俗的方式阐述数据挖掘方法的核心思想与基本原理,同时配合SPSSModeler软件操作的说明,希望读者能够直观了解方法本质,尽快掌握SPSSModeler软件使用,并应用到数据挖掘实践中。书中所有数据和案例与华信教育资源网上数据资料内容一致。
薛薇,中国人民大学应用统计科学研究中心副主任
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1.3Clementine软件概述1.3.1Clementine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3.2.1CLEM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6.2Clementine的C5.0算法及应用6.2.1信息熵和信息增益6.2.2C5.0的决策树生长算法6.2.3C5.0的剪枝算法6.2.4C5.0的推理规则集6.2.5C5.0的基本应用示例6.2.6C5.0的损失矩阵和Boosting技术6.2.7C5.0的模型评价6.2.8C5.0的其他话题:推理规则、交叉验证和未剪枝的决策树6.3Clementine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6.4Clementine的CHAID算法及应用6.4.1CHAID分组变量的预处理和选择策略6.4.2ExhaustiveCHAID算法6.4.3CHAID的剪枝6.4.4CHAID的应用示例6.5Clementine的QUEST算法及应用6.5.1QUEST算法确定最佳分组变量和分割点的方法6.5.2QUEST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7.2Clementine的B-P反向传播网络7.2.1感知机模型7.2.2B-P反向传播网络的特点7.2.3B-P反向传播算法7.2.4B-P反向传播网络的其他问题7.3Clementine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7.4Clementine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8.1Clementine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8.2Clementine的判别分析及应用8.2.1距离判别法8.2.2Fisher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9.2Clementine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9.2.3Apriori算法的应用示例9.3Clementine的GRI算法及应用9.3.1GRI算法基本思路9.3.2GRI算法的具体策略9.3.3GRI算法的应用示例9.4Clementine的序列关联及应用9.4.1序列关联中的基本概念9.4.2Sequence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10.2Clementine的K-Means聚类及应用10.2.1K-Means对“亲疏程度”的测度10.2.2K-Means聚类过程10.2.3K-Means聚类的应用示例10.3Clementine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10.4Clementine的Kohonen网络聚类及应用10.4.1Kohonen网络的聚类机理10.4.2Kohonen网络的聚类过程10.4.3Kohonen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
展开全部
配送说明
...
相似商品
为你推荐
开播时间:09月02日 10:30