基于SPSS Modeler的數(shù)據(jù)挖掘（第二版）

第1章數(shù)據(jù)挖掘和Modeler使用概述
1．1數(shù)據(jù)挖掘的產(chǎn)生背景
1．2什么是數(shù)據(jù)挖掘
1．3Modeler軟件概述

第2章Modeler的數(shù)據(jù)讀入和數(shù)據(jù)集成
2．1變量類型
2．2讀入數(shù)據(jù)
2．3生成實(shí)驗(yàn)方案
2．4數(shù)據(jù)集成

第3章Modeler的數(shù)據(jù)理解
3．1變量說明
3．2數(shù)據(jù)質(zhì)量的評估和調(diào)整
3．3數(shù)據(jù)的排序
3．4數(shù)據(jù)的分類匯總

第4章Modeler的數(shù)據(jù)準(zhǔn)備
4．1變量變換
4．2變量派生
4．3數(shù)據(jù)精簡
4．4數(shù)據(jù)篩選
4．5數(shù)據(jù)準(zhǔn)備的其他工作

第5章Modeler的基本分析
5．1數(shù)值型變量的基本分析
5．2兩分類型變量相關(guān)性的研究
5．3兩總體的均值比較
5．4RFM分析

第6章Modeler的數(shù)據(jù)精簡
6．1變量值的離散化處理
6．2特征選擇
6．3因子分析

第7章分類預(yù)測：Modeler的決策樹
7．1決策樹算法概述
7．2Modeler的C5?0算法及應(yīng)用
7．3Modeler的分類回歸樹及應(yīng)用
7．4Modeler的CHAID算法及應(yīng)用
7．5Modeler的QUEST算法及應(yīng)用
7．6模型的對比分析

第8章分類預(yù)測：Modeler的人工神經(jīng)網(wǎng)絡(luò)
8．1人工神經(jīng)網(wǎng)絡(luò)算法概述
8．2Modeler的B?P反向傳播網(wǎng)絡(luò)
8．3Modeler的B?P反向傳播網(wǎng)絡(luò)的應(yīng)用
8．4Modeler的徑向基函數(shù)網(wǎng)絡(luò)及應(yīng)用

第9章分類預(yù)測：Modeler的支持向量機(jī)
9．1支持向量分類的基本思路
9．2支持向量分類的基本原理
9．3支持向量回歸
9．4支持向量機(jī)的應(yīng)用

第10章分類預(yù)測：Modeler的貝葉斯網(wǎng)絡(luò)
10．1貝葉斯方法基礎(chǔ)
10．2貝葉斯網(wǎng)絡(luò)概述
10．3TAN貝葉斯網(wǎng)絡(luò)
10．4馬爾科夫毯網(wǎng)絡(luò)
10．5貝葉斯網(wǎng)絡(luò)的應(yīng)用

第11章探索內(nèi)部結(jié)構(gòu)：Modeler的聚類分析
11．1聚類分析的一般問題
11．2Modeler的K?Means聚類及應(yīng)用
11．3Modeler的兩步聚類及應(yīng)用
11．4Modeler的Kohonen網(wǎng)絡(luò)聚類及應(yīng)用
11．5基于聚類分析的離群點(diǎn)探索

第12章探索內(nèi)部結(jié)構(gòu)：Modeler的關(guān)聯(lián)分析
12．1簡單關(guān)聯(lián)規(guī)則及其有效性
12．2Modeler的Apriori算法及應(yīng)用
12．3Modeler的序列關(guān)聯(lián)及應(yīng)用

參考文獻(xiàn)