多维关联规则挖掘数据挖掘原理及SPSS-Clementine应用详解

你会对数据挖掘中的关联规则产生兴趣，尤其是在使用 SPSS-Clementine 进行时。通过计算支持度和置信度来提取关联规则，可以你发现数据中的潜在模式。比如，假设你在做零售数据，发现购买面包的顾客通常也会买牛奶。那么，这就是一个典型的关联规则。你可以通过公式计算规则的置信度，来判断这个模式是否可靠。在 SPSS-Clementine 中，运用这些规则进行，操作相对简单，效果也蛮显著的。如果你刚接触这块，建议先掌握基本概念，再深入了解不同类型的关联规则挖掘算法。你可以查看相关的资料和教程，掌握更多技巧，提升的准确性。

10.2“近似”负关联规则算法定理1设，则有① ② ③ ④其中：为支持度函数。定理1描述的是三种不同形式的负关联规则支持度的计算方法。

多维关联规则的概念，挺适合搞推荐系统或者电商数据的你看一眼。和单维规则不一样，它考虑多个字段之间的组合，比如用户买牛奶还买面包，还能顺便看看他住哪、啥时候买的，信息量一下就丰富了。要是你在折腾用户行为或者复杂数据挖掘，这类规则就比较实用，挖出来的东西也更精准。

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。

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）

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。

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）。

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。