SPSS-Clementine数据挖掘对象属性应用宝典

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）

Step1条件属性约简求核下面讨论属性约简求核的两种方法：分辨矩阵直接求核约简法和用命题11-1、命题11-2求核约简法。首先，用分辨矩阵直接求核集。以下举例说明分辨矩阵求核约简的方法，如表11.3医疗决策表所示是一个知识系统，U={U1,U2,…，Un}是论域，C={a,b,c,d}是条件属性集，D={e}是决策属性集，P=C+D。则其相应的分辨矩阵为：D=

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。

注解项目工具挺实用的，能你在数据挖掘过程中清晰地记录各种信息。你可以为项目级别添加注解，用来追踪大方向的目标和决策。比如，当你有些数据被排除，或者在数据探索过程中形成了一些假设时，可以通过注解来做记录，直观。而文件夹或节点注解则可以你添加更多详细信息，让工作更有条理。是当项目比较复杂时，这些注解能让你快速找到关键内容，提高效率。