数据挖掘原理与SPSS Clementine应用宝典第4章数据选择与模型优化

在数据挖掘领域，算法和建模技术一直是核心，几乎所有主流的工具都支持各种成熟的算法。嗯，建模过程就是一个探索数据特征、验证模型并通过合适的模型实际问题的循环。现如今，像自动建模和模型转换这种技术，已经在业内热议。对于开发者来说，理解这些算法的底层实现会让你在选择工具时更加得心应手。如果你使用SPSS、Clementine等工具，了解其支持的算法和建模流程，能够你更快速地掌握数据挖掘的精髓。建议关注一些相关资料，提升你的技能。

在这本书中，我们深入探讨了数据挖掘的基础原理，并详细介绍了如何利用SPSS-Clementine软件进行应用。通过本书，读者可以系统地学习数据挖掘技术，掌握SPSS-Clementine的实际操作技能。

用户可以从数据流的任何非终端节点中生成用户输入节点。具体步骤包括：（1）确定在流程的哪一点输入节点；（2）右键单击节点并选择“生成用户输入节点（P）”，将节点数据导入用户输入节点；（3）用户输入节点负载了流程下游的所有过程，代替原有节点。生成后，节点从原数据中继承了所有数据结构和字段类型信息（如果可以继承）。

结果输出的节点设置，SPSS-Clementine 里做得还挺顺的。像概述表节点，输出方式清晰明了，矩阵形式直接能看出变量间的关系，方便你后续建模优化。 预测值评估部分也值得说说，输出结果直观，命中率一眼就能看出来。加上统计量输出和均值，不需要再另做太多，省了不少事。 还有个蛮实用的就是数据质量报告，像缺失值、异常值都能自动给出判断，报告格式也比较整洁。你要是做数据清洗前的质量控制，这块用起来还挺舒服的。 顺带提一句，结果导出到SPSS也挺方便的，不用担心格式兼容，直接就是可以用的版本。你要跑批量模型，或者做后期，输出这一块完全撑得住。 哦对了，之前也看过一篇蛮有意思的文章，的就是 SPSS

C5.0节点成本页签C5.0节点对话框用于显示错误归类损失矩阵，指定不同类型预测错误之间的相对重要性。图21-20展示了错误归类损失的成本对比。损失矩阵显示每一可能预测类和实际类组合的损失情况，允许用户自定义损失值以及改变预测类与实际类组合的损失值。

图20-2以颜色为层次的图和图20-3以大小为层次的图详细介绍了数据挖掘的原理和SPSS-Clementine应用方法。

17.5计算标准t17.5.1交叉验证标准t交叉验证的概念是将样本分成两个子集：一个包含n-m个样本的训练样本集，另一个包含m个样本的验证样本集。第一个样本集用于建模，第二个样本集用于评估预期偏差或估算距离。例如，在具有定量输入的神经网络中，通常使用高斯偏差：（17-30）

t 一致性矩阵的可视化方式挺实用的，用行列对照的方式，实际值和预测值一目了然。你在做字符型目标字段建模的时候，这种格式能帮你快速发现模型预测偏差，节省调试时间。 t 绩效评价的统计量展示也蛮直观的，它给的是每个类别的平均信息量。换句话说，就是帮你看模型对每一类的信心有多高。你要是做分类模型，比如用户画像、文本标签这种，这部分数据挺值得盯一眼的。 哦对了，下面这些相关文章也值得一看。像是一致性、Kendall 一致性系数、还有像redis 键值校验、Yac 分布式一致性算法，都和数据建模或者系统稳定性相关，看场景选着参考下： 计算矩阵 X 的 Kendall 一致性系数 - 统计场景能用上 随机

使用散点图来展示数据之间的关系，这种方式挺直观的，尤其是在数据挖掘中，比如你要了解不同变量之间有没有某种关联性。像是你在研究申报值和谷物类型之间的关系时，散点图的效果就，数据点分布得一目了然。图 20-13 就是个好的例子，能清楚地展示变量值和需求之间的联系。比较适合用来快速查看大规模数据中的规律。如果你正在做数据，散点图的运用可以让你避免冗余的计算，快速得出。