数据挖掘原理与SPSS-Clementine应用手册

19.3.1 数据挖掘类型节点图19-33的设置类型节点指定字段的一系列重要属性。我们可以描述类型节点的特征，实例化它们，并处理缺失数据。

数据挖掘技术的探索包括了聚类分析原理、常用算法分类、划分聚类方法、层次聚类方法、基于密度的聚类方法、基于网格的聚类方法、基于模型的聚类方法、高维数据的聚类方法以及模糊聚类FCM的应用实例分析。

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）。

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