SPSS統(tǒng)計(jì)分析與數(shù)據(jù)挖掘

內(nèi)容概要

　　本書(shū)基于spss
19.0編寫(xiě)，結(jié)合大量的實(shí)例對(duì)spss各模塊的統(tǒng)計(jì)分析功能及圖形功能等進(jìn)行了詳細(xì)講解。每章均給出大量分析案例，具體內(nèi)容為spss簡(jiǎn)介、spss數(shù)據(jù)挖掘系統(tǒng)介紹、spss數(shù)據(jù)文件管理、spss數(shù)據(jù)預(yù)處理、spss基本統(tǒng)計(jì)分析、多重反應(yīng)分析、均值比較與檢驗(yàn)、統(tǒng)計(jì)圖制作、參數(shù)檢驗(yàn)、回歸分析、方差分析、相關(guān)分析、聚數(shù)分析、判別分析、因子分析、對(duì)應(yīng)分析與結(jié)合分析、信度分析、生存分析、對(duì)數(shù)線性模型、時(shí)間序列分析、缺失值分析，以及spss在財(cái)務(wù)智能、數(shù)據(jù)預(yù)測(cè)、股市分析、社會(huì)經(jīng)濟(jì)分析、金融數(shù)據(jù)分析等方面的數(shù)據(jù)挖掘應(yīng)用。
　　本書(shū)最大特點(diǎn)是拋棄了其他同類書(shū)籍中只介紹理論用法、缺乏案例分析的弊病，全書(shū)給出許多數(shù)據(jù)挖掘分析案例，為讀者展示spss在數(shù)據(jù)分析、信用風(fēng)險(xiǎn)管理、直銷分析、社會(huì)經(jīng)濟(jì)分析等實(shí)際項(xiàng)目中的應(yīng)用技術(shù)。
　　本書(shū)適合自然科學(xué)和社會(huì)科學(xué)各領(lǐng)域、各專業(yè)的數(shù)據(jù)分析人員，也可供相關(guān)專業(yè)本科生、研究生、科技人員和事業(yè)單位工作人員，以及從事數(shù)據(jù)挖掘、金融分析、商業(yè)咨詢、財(cái)務(wù)分析的人員使用。

書(shū)籍目錄

第1章　spss軟件概述　
　1.1　spss簡(jiǎn)介　
　1.2　spss操作入門(mén)　
　　1.2.1　軟件安裝、啟動(dòng)及退出　
　　1.2.2　操作環(huán)境　
　　1.2.3　系統(tǒng)參數(shù)的設(shè)置　
　1.3　spss的幫助系統(tǒng)　
第2章　spss數(shù)據(jù)挖掘系統(tǒng)　
　2.1　數(shù)據(jù)挖掘概述　
　　2.1.1　數(shù)據(jù)挖掘的含義　
　　2.1.2　數(shù)據(jù)挖掘與olap　
　　2.1.3　數(shù)據(jù)挖掘和統(tǒng)計(jì)學(xué)　
　　2.1.4　數(shù)據(jù)挖掘的目的　
　　2.1.5　數(shù)據(jù)挖掘應(yīng)用　
　　2.1.6　數(shù)據(jù)挖掘流程　
　2.2　成功的數(shù)據(jù)挖掘　
　　2.2.1　crisp-dm方法論　
　　2.2.2　選擇數(shù)據(jù)挖掘工具　
　　2.2.3　spss數(shù)據(jù)挖掘　
　2.3　spss數(shù)據(jù)挖掘的過(guò)程　
　　2.3.1　商業(yè)理解　
　　2.3.2　數(shù)據(jù)理解　
　　2.3.3　數(shù)據(jù)準(zhǔn)備　
　　2.3.4　數(shù)據(jù)模型　
　　2.3.5　評(píng)估　
　　2.3.6　部署　
第3章　數(shù)據(jù)文件、變量與函數(shù)　
　3.1　spss的變量類型　
　　3.1.1　數(shù)據(jù)的輸入　
　　3.1.2　變量的編輯　
　3.2　數(shù)據(jù)文件的打開(kāi)和保存　
　　3.2.1　打開(kāi)spss數(shù)據(jù)文件　
　　3.2.2　打開(kāi)其他格式的數(shù)據(jù)文件　
　　3.2.3　數(shù)據(jù)文件保存　
　3.3　spss函數(shù)　
　　3.3.1　算術(shù)函數(shù)　
　　3.3.2　統(tǒng)計(jì)函數(shù)　
　　3.3.3　邏輯函數(shù)　
　　3.3.4　日期和時(shí)間函數(shù)　
　　3.3.5　隨機(jī)變量函數(shù)　
　　3.3.6　反分布函數(shù)　
　　3.3.7　累計(jì)分布函數(shù)　
　　3.3.8　缺失值函數(shù)　
　　3.3.9　字符串函數(shù)　
第4章　數(shù)據(jù)預(yù)處理　
　4.1　數(shù)據(jù)文件的整理　
　　4.1.1　排序個(gè)案（sort　case）過(guò)程　
　　4.1.2　轉(zhuǎn)置（transpose）過(guò)程　
　　4.1.3　合并文件（merge　file）過(guò)程　
　　4.1.4　分類匯總（aggregate）過(guò)程　
　　4.1.5　拆分文件（split　file）過(guò)程　
　　4.1.6　選擇個(gè)案（select　cases）過(guò)程　
　　4.1.7　加權(quán)個(gè)案（weight　cases）過(guò)程　
　4.2　數(shù)據(jù)變量的變換和計(jì)算　
　　4.2.1　計(jì)算變量（compute　variables）過(guò)程　
　　4.2.2　計(jì)數(shù)（count）過(guò)程　
　　4.2.3　重新編碼（recode）過(guò)程　
　　4.2.4　個(gè)案排秩（rank　cases）過(guò)程　
　　4.2.5　自動(dòng)重新編碼（automatic　recode）過(guò)程　
第5章　基本統(tǒng)計(jì)分析　
　5.1　基本概念　
　　5.1.1　基本的統(tǒng)計(jì)概念　
　　5.1.2　描述性統(tǒng)計(jì)分析　
　5.2　頻數(shù)分析　
　　5.2.1　frequencies過(guò)程的操作界面　
　　5.2.2　實(shí)例分析　
　5.3　描述性統(tǒng)計(jì)分析過(guò)程　
　　5.3.1　descriptive過(guò)程的參數(shù)設(shè)置　
　　5.3.2　實(shí)例分析　
　5.4　數(shù)據(jù)探索性分析過(guò)程　
　　5.4.1　explore過(guò)程的參數(shù)設(shè)置　
　　5.4.2　實(shí)例分析　
　5.5　列聯(lián)表分析過(guò)程　
　　5.5.1　crosstabs過(guò)程的參數(shù)設(shè)置　
　　5.5.2　實(shí)例分析　
第6章　參數(shù)檢驗(yàn)　
　6.1　參數(shù)估計(jì)和假設(shè)檢驗(yàn)概述　
　　6.1.1　參數(shù)估計(jì)　
　　6.1.2　假設(shè)檢驗(yàn)　
　6.2　均值（means）過(guò)程　
　　6.2.1　spss的means過(guò)程參數(shù)設(shè)置　
　　6.2.2　means過(guò)程實(shí)例　
　6.3　單樣本t檢驗(yàn)　
　　6.3.1　one-sample　t　test過(guò)程的參數(shù)設(shè)置　
　　6.3.2　實(shí)例分析　
　6.4　獨(dú)立兩樣本t檢驗(yàn)　
　　6.4.1　independent-sample　t　test過(guò)程的參數(shù)設(shè)置　
　　6.4.2　實(shí)例分析　
　6.5　配對(duì)兩樣本t檢驗(yàn)　
　　6.5.1　paired-sample　t　test過(guò)程的參數(shù)設(shè)置　
　　6.5.2　實(shí)例分析　
第7章　基本圖形的繪制　
　7.1　統(tǒng)計(jì)圖概述　
　7.2　條形圖　
　7.3　線圖　
　7.4　面積圖　
　7.5　餅圖　
　　7.5.1　spss設(shè)置　
　　7.5.2　實(shí)例分析　
　7.6　高低圖　
　7.7　質(zhì)量控制圖　
　7.8　箱圖　
　　7.8.1　spss參數(shù)設(shè)置　
　　7.8.2　實(shí)例分析　
　7.9　散點(diǎn)圖　
　　7.9.1　spss參數(shù)設(shè)置　
　　7.9.2　實(shí)例分析　
　7.10　直方圖　
　　7.10.1　p-p圖和q-q圖　
　7.11　時(shí)間序列圖　
　　7.11.1　spss參數(shù)設(shè)置　
　　7.11.2　實(shí)例分析　
第8章　非參數(shù)檢驗(yàn)　
　8.1　非參數(shù)檢驗(yàn)概述　
　8.2　檢驗(yàn)　
　　8.2.1　檢驗(yàn)的參數(shù)設(shè)置　
　　8.2.2　檢驗(yàn)實(shí)例分析　
　8.3　二項(xiàng)分布檢驗(yàn)　
　　8.3.1　二項(xiàng)分布檢驗(yàn)的參數(shù)設(shè)置　
　　8.3.2　實(shí)例分析　
　8.4　游程檢驗(yàn)　
　　8.4.1　游程檢驗(yàn)的參數(shù)設(shè)置　
　　8.4.2　實(shí)例分析　
　8.5　單樣本k-s檢驗(yàn)　
　　8.5.1　單樣本k-s檢驗(yàn)的參數(shù)設(shè)置　
　　8.5.2　實(shí)例分析　
　8.6　兩獨(dú)立樣本分布位置檢驗(yàn)　
　　8.6.1　兩獨(dú)立樣本分布位置檢驗(yàn)的參數(shù)設(shè)置　
　　8.6.2　實(shí)例分析　
　8.7　多個(gè)獨(dú)立樣本分布位置檢驗(yàn)　
　　8.7.1　spss參數(shù)設(shè)置　
　　8.7.2　實(shí)例分析　
　8.8　兩相關(guān)樣本分布位置檢驗(yàn)　
　　8.8.1　spss參數(shù)設(shè)置　
　　8.8.2　實(shí)例分析　
　8.9　多個(gè)配對(duì)樣本分布位置檢驗(yàn)　
　　8.9.1　spss參數(shù)設(shè)置　
　　8.9.2　實(shí)例分析　
第9章　方差分析　
　9.1　方差分析的基本原理　
　　9.1.1　自由度與平方和分解　
　　9.1.2　f檢驗(yàn)　
　　9.1.3　多重比較　
　9.2　單因素方差分析　
　　9.2.1　單因素方差分析步驟　
　　9.2.2　判斷與結(jié)論　
　　9.2.3　one-way　anova過(guò)程的參數(shù)設(shè)置　
　　9.2.4　實(shí)例分析　
　9.3　多因素方差分析　
　　9.3.1　只考慮主效應(yīng)的多因素方差分析　
　　9.3.2　存在交互效應(yīng)的多因素方差分析　
　　9.3.3　univariate過(guò)程參數(shù)設(shè)置　
　　9.3.4　實(shí)例分析　
　9.4　協(xié)方差分析　
　　9.4.1　協(xié)方差分析概述　
　　9.4.2　實(shí)例分析　
第10章　回歸分析　
　10.1　線性回歸　
　　10.1.1　線性回歸模型　
　　10.1.2　最小二乘估計(jì)　
　　10.1.3　回歸方程的顯著性檢驗(yàn)　
　　10.1.4　預(yù)測(cè)問(wèn)題　
　　10.1.5　spss線性回歸分析設(shè)置　
　　10.1.6　回歸分析模型的實(shí)例分析　
　10.2　非線性回歸　
　　10.2.1　非線性回歸分析的基本原理　
　　10.2.2　非線性回歸參數(shù)設(shè)置　
　　10.2.3　案例——銷售數(shù)量和廣告投入的非線性回歸分析　
　10.3　logistic回歸　
　　10.3.1　logistic回歸模型概述　
　　10.3.2　binary　logistic回歸模型參數(shù)設(shè)置　
　　10.3.3　案例——銀行貸款的信用風(fēng)險(xiǎn)分析　
第11章　相關(guān)分析　
　11.1　相關(guān)分析概述　
　　11.1.1　相關(guān)關(guān)系　
　　11.1.2　相關(guān)圖形和相關(guān)系數(shù)　
　　11.1.3　spss的相關(guān)分析功能簡(jiǎn)介　
　11.2　bivariate過(guò)程　
　　11.2.1　兩變量相關(guān)分析簡(jiǎn)介　
　　11.2.2　bivariate過(guò)程的參數(shù)設(shè)置　
　　11.2.3　案例——汽車銷售中各變量之間的相關(guān)分析　
　11.3　partial過(guò)程　
　　11.3.1　partial過(guò)程的參數(shù)設(shè)置　
　　11.3.2　案例——醫(yī)療門(mén)診病人的流動(dòng)情況分析　
　11.4　distances（距離）過(guò)程　
　　11.4.1　距離分析參數(shù)設(shè)置　
　　11.4.2　案例——全國(guó)各個(gè)省市自治區(qū)直轄市的農(nóng)民家庭收支的分布研究　
第12章　聚類分析　
　12.1　聚類分析的原理　
　　12.1.1　一般原理　
　　12.1.2　聚類分析步驟　
　　12.1.3　系統(tǒng)聚類方法　
　12.2　快速樣本聚類過(guò)程　
　　12.2.1　快速聚類簡(jiǎn)介　
　　12.2.2　spss快速聚類的設(shè)置　
　　12.2.3　案例——2006年中國(guó)主要城市空氣質(zhì)量的比較分析　
　12.3　分層聚類過(guò)程　
　　12.3.1　分層聚類簡(jiǎn)介　
　　12.3.2　spss分層聚類設(shè)置　
　　12.3.3　案例——中國(guó)經(jīng)濟(jì)地理區(qū)域的聚類分析　
　12.4　兩階段聚類分析　
　　12.4.1　兩階段聚類簡(jiǎn)介　
　　12.4.2　spss兩階段聚類的設(shè)置　
　　12.4.3　案例——兩階段聚類分析應(yīng)用于農(nóng)村居民人均收入與生活消費(fèi)支出研究　
第13章　判別分析　
　13.1　判別分析的基本原理　
　　13.1.1　判別分析簡(jiǎn)介　
　　13.1.2　判別分析的數(shù)學(xué)模型與判別方法　
　13.2　一般判別分析　
　　13.2.1　一般判別分析的參數(shù)設(shè)置　
　　13.2.2　案例——上市公司類型的比較分析　
　13.3　逐步判別分析　
　　13.3.1　逐步判別的參數(shù)設(shè)置　
　　13.3.2　案例——全國(guó)各個(gè)省市地區(qū)的農(nóng)民家庭收支的分布規(guī)律研究　
第14章　因子分析　
　14.1　因子分析簡(jiǎn)介　
　　14.1.1　因子分析的基本原理　
　　14.1.2　因子分析的基本步驟和過(guò)程　
　14.2　spss軟件進(jìn)行因子分析　
　　14.2.1　spss因子分析的參數(shù)設(shè)置　
　　14.2.2　案例——汽車銷售的數(shù)據(jù)中各變量的因子分析　
第15章　對(duì)應(yīng)分析　
　15.1　對(duì)應(yīng)分析的基本原理　
　15.2　簡(jiǎn)單對(duì)應(yīng)分析　
　　15.2.1　correspondence　analysis過(guò)程　
　　15.2.2　案例——簡(jiǎn)單對(duì)應(yīng)分析實(shí)例　
　15.3　optimal　scaling過(guò)程　
　　15.3.1　optimal　scaling過(guò)程的spss參數(shù)設(shè)置　
　　15.3.2　案例——最優(yōu)尺度分析實(shí)例　
第16章　可靠性和多維尺度分析　
　16.1　可靠性分析　
　　16.1.1　可靠性分析的基本原理　
　　16.1.2　可靠性分析的參數(shù)設(shè)置　
　　16.1.3　案例——電視節(jié)目調(diào)查數(shù)據(jù)可靠性分析　
　16.2　多維尺度分析　
　　16.2.1　多維尺度分析簡(jiǎn)介　
　　16.2.2　alscal過(guò)程的參數(shù)設(shè)置　
　　16.2.3　案例——多維尺度實(shí)例分析　
第17章　生存分析　
　17.1　生存分析簡(jiǎn)介　
　　17.1.1　生存分析的基本概念　
　　17.1.2　生存資料的特點(diǎn)　
　　17.1.3　生存分析方法　
　　17.1.4　spss中的生存分析過(guò)程　
　17.2　life　tables過(guò)程　
　　17.2.1　life　tables過(guò)程的參數(shù)設(shè)置　
　　17.2.2　案例——電信公司客戶流失分析　
　17.3　kaplan-meier分析　
　　17.3.1　kaplan-meier分析的步驟　
　　17.3.2　案例——新藥開(kāi)發(fā)的數(shù)據(jù)分析　
　17.4　cox模型回歸分析　
　　17.4.1　cox回歸模型　
　　17.4.2　cox模型參數(shù)設(shè)置　
　　17.4.3　案例——電信公司的客戶流失的cox回歸模型分析　
第18章　對(duì)數(shù)線性模型　
　18.1　對(duì)數(shù)線性模型概述　
　18.2　general過(guò)程　
　　18.2.1　general過(guò)程的參數(shù)設(shè)置　
　　18.2.2　實(shí)例分析　
　18.3　logit過(guò)程　
　　18.3.1　logit過(guò)程的參數(shù)設(shè)置　
　　18.3.2　實(shí)例分析　
　18.4　模型（model）selection過(guò)程　
　　18.4.1　模型（model）selection的參數(shù)設(shè)置　
　　18.4.2　實(shí)例分析　
第19章　時(shí)間序列分析　
　19.1　時(shí)間序列概述　
　　19.1.1　時(shí)間序列的組成部分　
　　19.1.2　時(shí)間序列的數(shù)學(xué)模型　
　　19.1.3　時(shí)間序列的分析步驟　
　　19.1.4　spss時(shí)間序列分析功能　
　19.2　時(shí)間序列數(shù)據(jù)的預(yù)處理　
　　19.2.1　缺失值替換　
　　19.2.2　定義時(shí)間變量　
　　19.2.3　時(shí)間序列的平穩(wěn)化　
　19.3　指數(shù)平滑模型過(guò)程　
　　19.3.1　指數(shù)平滑的基本原理　
　　19.3.2　指數(shù)平滑模型的參數(shù)設(shè)置　
　　19.3.3　案例——銷售數(shù)據(jù)預(yù)測(cè)分析　
　19.4　arima模型　
　　19.4.1　arima模型的基本原理　
　　19.4.2　arima模型的參數(shù)設(shè)置　
　　19.4.3　案例——上海證券交易所綜合指數(shù)收益率模擬預(yù)測(cè)分析　
　19.5　季節(jié)分解模型過(guò)程　
　　19.5.1　季節(jié)分解模型的參數(shù)設(shè)置　
　　19.5.2　案例——具有季節(jié)因素的服裝銷售數(shù)據(jù)的預(yù)測(cè)分析　
第20章　缺失值分析　
　20.1　缺失值理論概述　
　　20.1.1　數(shù)據(jù)缺失方式　
　　20.1.2　缺失值處理方法　
　20.2　spss缺失值分析操作　
　　20.2.1　缺失值分析的參數(shù)設(shè)置　
　　20.2.2　案例——數(shù)據(jù)集中缺失值的實(shí)例分析　
第21章　決策樹(shù)模型　
　21.1　決策樹(shù)模型概述　
　　21.1.1　chaid算法　
　　21.1.2　exhaustive　chaid算法　
　　21.1.3　cart算法　
　　21.1.4　quest算法　
　21.2　決策樹(shù)的參數(shù)設(shè)置　
　　21.2.1　變量設(shè)置　
　　21.2.2　類別（categories）設(shè)置　
　　21.2.3　輸出（output）設(shè)置　
　　21.2.4　驗(yàn)證（validation）設(shè)置　
　　21.2.5　保存（save）設(shè)置　
　　21.2.6　條件（criteria）設(shè)置　
　　21.2.7　chaid算法設(shè)置　
　　21.2.8　cart算法設(shè)置　
　　21.2.9　quest算法設(shè)置　
　　21.2.10　修剪（pruning）設(shè)置　
　　21.2.11　替代變量（surrogates）設(shè)置　
　　21.2.12　選項(xiàng)（options）設(shè)置　
　　21.2.13　誤分類成本設(shè)置　
　　21.2.14　利潤(rùn)（profits）設(shè)置　
　　21.2.15　先驗(yàn)概率（prior　probabilities）設(shè)置　
　　21.2.16　實(shí)例分析　
　　21.2.17　模型建立　
　　21.2.18　模型評(píng)估　
第22章　神經(jīng)網(wǎng)絡(luò)　
　22.1　神經(jīng)網(wǎng)絡(luò)概述　
　　22.1.1　歷史及現(xiàn)狀　
　　22.1.2　神經(jīng)網(wǎng)絡(luò)特點(diǎn)　
　　22.1.3　神經(jīng)元模型　
　　22.1.4　神經(jīng)網(wǎng)絡(luò)模型　
　　22.1.5　神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則　
　　22.1.6　spss神經(jīng)網(wǎng)絡(luò)模型　
　22.2　spss神經(jīng)網(wǎng)絡(luò)模型的設(shè)置　
　　22.2.1　多層感知器（mlp）的設(shè)置　
　　22.2.2　徑向基函數(shù)（rbf）的設(shè)置　
　22.3　實(shí)例分析　
　　22.3.1　參數(shù)設(shè)置　
　　22.3.2　結(jié)果分析　
第23章　信用風(fēng)險(xiǎn)分析　
　23.1　信用風(fēng)險(xiǎn)概述　
　　23.1.1　信用風(fēng)險(xiǎn)基本概念　
　　23.1.2　信用風(fēng)險(xiǎn)度量方法　
　23.2　案例分析　
　　23.1.3　spss中信用風(fēng)險(xiǎn)分析模塊　
　　23.2.1　二元logistic過(guò)程　
　　23.2.2　決策樹(shù)（tree）過(guò)程　
　　23.2.3　discriminant過(guò)程　
第24章　spss在社會(huì)經(jīng)濟(jì)綜合評(píng)價(jià)中的應(yīng)用　
　24.1　沿海省市經(jīng)濟(jì)綜合指標(biāo)的主成分分析　
　24.2　中國(guó)城鎮(zhèn)居民消費(fèi)結(jié)構(gòu)的聚類分析　
　24.3　我國(guó)內(nèi)地可支配收入和消費(fèi)性支出之間的回歸分析　

章節(jié)摘錄

版權(quán)頁(yè)：插圖：數(shù)據(jù)挖掘過(guò)程中，數(shù)據(jù)挖掘的工具同樣也是很重要的，下面舉幾個(gè)例子。①尋找一個(gè)已被證實(shí)的可用于解決項(xiàng)目所陳述商務(wù)問(wèn)題的數(shù)據(jù)挖掘工具：即選擇一種所知道的，可以用于解決公司問(wèn)題，并在計(jì)劃應(yīng)用方面有成功記錄的工具。②選擇用于在商務(wù)理解和數(shù)據(jù)挖掘技術(shù)方面起到溝通作用的工具：確保工具所用的步驟與數(shù)據(jù)挖掘的商務(wù)需要相匹配?！すぞ呤欠窨汕逦乇磉_(dá)數(shù)據(jù)挖掘概念；·工具是否與項(xiàng)目管理軟件或其他可能用的工具相結(jié)合？如果不能，是否不得不新建應(yīng)用軟件以彌補(bǔ)此不足。③確保工具可對(duì)現(xiàn)有的數(shù)據(jù)資源和格式進(jìn)行操作：如果能選擇一種能提取和合并多來(lái)源、多格式數(shù)據(jù)，將會(huì)節(jié)省時(shí)間和金錢(qián)，并最大可能地得到可靠結(jié)果的工具。這一點(diǎn)很重要，尤其是在數(shù)據(jù)挖掘過(guò)程的后期發(fā)現(xiàn)不得不從新的來(lái)源加入新的數(shù)據(jù)時(shí)。④尋找交互式開(kāi)發(fā)和可視化能力：選擇一種可提供交互式可視技術(shù)的工具會(huì)使開(kāi)發(fā)和理解數(shù)據(jù)變得容易。這些技術(shù)會(huì)使你通過(guò)在圖內(nèi)變化及根據(jù)不同的數(shù)據(jù)尺度產(chǎn)生新的圖表更快地獲得直覺(jué)。⑤選擇一種可高效、易解的進(jìn)行數(shù)據(jù)準(zhǔn)備的工具：選擇一種可高效進(jìn)行數(shù)據(jù)準(zhǔn)備（從初始步驟到模型建立），且以易于理解的方式表達(dá)數(shù)據(jù)準(zhǔn)備步驟的工具會(huì)節(jié)省時(shí)間和資源。這會(huì)使不同經(jīng)驗(yàn)水平酌項(xiàng)目成員獲得有效的結(jié)果。⑥確保工具可自動(dòng)地提取數(shù)據(jù)：選擇一種可為不同數(shù)據(jù)步驟自動(dòng)提取數(shù)據(jù)的工具，可以避免耗時(shí)的人工書(shū)寫(xiě)查詢。⑦該工具是否可在合理的時(shí)間內(nèi)建立有效的模型：尋找一種工具，它可使分析家快速找到最有效的模型。這種工具應(yīng)該支持有效的建立和檢測(cè)多個(gè)模型。⑧選擇一種含寬范圍技術(shù)的工具：為了確保最好的結(jié)果，確保工具能為可視化、分類、聚類、相關(guān)和回歸提供一個(gè)寬范圍的技術(shù)或運(yùn)算法則。例如，可能發(fā)現(xiàn)，對(duì)某一數(shù)據(jù)而言，一種技術(shù)比另一種更好。你需要能靈活地試用多種技術(shù)以獲得準(zhǔn)確、有效的結(jié)果。這種工具應(yīng)該能聯(lián)合應(yīng)用在不同情況下可獲最佳結(jié)果的多種技術(shù)。⑨該工具是否可利用現(xiàn)有的數(shù)據(jù)和設(shè)備：選擇一種數(shù)據(jù)挖掘工具，它能利用現(xiàn)存的數(shù)據(jù)——或數(shù)據(jù)庫(kù)中或文件中，也能與現(xiàn)有的分析和可視化工具相兼容。你不會(huì)愿意因?yàn)椴荒芾矛F(xiàn)有的數(shù)據(jù)庫(kù)而浪費(fèi)時(shí)間和資源再新建一個(gè)。⑩選擇一種可發(fā)送一致的、高質(zhì)的結(jié)果的工具：要得到準(zhǔn)確的結(jié)果，需利用在各種情形下都能很好工作的、適應(yīng)性強(qiáng)的數(shù)據(jù)挖掘環(huán)境和各種數(shù)據(jù)的工具，而不是單一地為某一類型的數(shù)據(jù)或環(huán)境而設(shè)計(jì)的工具。工具應(yīng)該能管理任何可能有助于闡釋商務(wù)問(wèn)題的數(shù)據(jù)。

編輯推薦

《SPSS統(tǒng)計(jì)分析與數(shù)據(jù)挖掘》：SPSS-全球使用最為廣泛的統(tǒng)計(jì)分析軟件，SPSS-金融、科研、數(shù)據(jù)挖掘領(lǐng)域必備之軟件，基礎(chǔ)知識(shí)-實(shí)訓(xùn)實(shí)例-工程實(shí)例，實(shí)例操作視頻教學(xué)，輕松學(xué)習(xí)。

圖書(shū)封面

圖書(shū)標(biāo)簽Tags

無(wú)

評(píng)論、評(píng)分、閱讀與下載

---

    SPSS統(tǒng)計(jì)分析與數(shù)據(jù)挖掘 PDF格式下載

---