神经网络学习算法与SPSS-Clementine数据挖掘实践

5.2.2.1.相关概念t假定给定的样本数据为Y、X，其中因变量样本数据矩阵Y=(y1,y2,…,yn)是p×n样本矩阵，即p个因变量，n个样本；自变量样本数据矩阵X是q×n矩阵，即q个自变量，n个样本。在实际计算时，X一般是将原始数据中心化后得到的样本矩阵，即：X×1n＝0。

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。

图21-91展示了线性回归节点汇总页签的详细内容，涵盖了数据挖掘原理与SPSS-Clementine应用的重要节点。

19.2.4统计汇总图19-21展示了一个汇总节点的实例。汇总节点能够将一系列输入记录转换为综合且总结性的输出记录，具体的汇总对话框如图19-21所示。

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）。

在SPSS-Clementine中，数据挖掘技术涵盖多种数据类型：连续型适用于数值描述，离散型适用于描述未知数量的字符串，标志型用于仅有两个值的数据，集合型描述多个具体值的数据，有序集合型用于有内部顺序的数据，无类型则适用于不符合以上任一种类的数据或含有众多元素的集合类型数据。

图19-23展示了如何设置和读取追加节点数据。追加节点通过从同一数据源读取所有记录，并保持数据结构的一致性，直至数据源无更多记录。

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

数据挖掘里的神经网络算法，真的是挖掘模型的老帮手了。像BP 神经网络、RBF 结构这些经典算法，不管你是搞预测还是做分类，用起来都挺顺手的。配合MATLAB来跑一跑，体验还挺丝滑。要是你想快速搞个模式识别，简单卷积神经网络就挺适合，代码量不大，效果也不错。 数据清理、数据选择这些步骤，虽然有点繁琐，但别跳，基础打得稳后面建模才不容易翻车。嗯，如果你刚上手神经网络，不妨先看看那份神经网络课件.zip，概念讲得挺明白。 几个资源我看了一下，像这个神经网络：数据挖掘算法简介，算是把思路梳理得比较清楚了，适合快速入门。还有一份MATLAB 实现合集，直接上手跑，方便调试，适合实战派。卷积这块也有例子：