9-8_建模节点_统计模型.docx

IBM SPSS Modeler 帮助 建模节点上一个 下一个 统计模型统计模型使用数学方程式对从数据中提取的信息进行编码。有若干可用的统计建模节点。线性回归是一种通过拟合直线或平面以实现汇总数据和预测的普通统计方法，它可使预测值和实际输出值之间的差异最小化。 请参阅 主题 回归节点 详细信息。 Logistic 回归是一种统计方法，它可根据输入字段的值对记录进行分类。它类似于线性回归，但采用的是类别目标字段而非数字范围。 请参阅 主题 逻辑节点 详细信息。 因子/主成分分析节点提供了用于降低数据复杂程度的强大数据缩减技术。主成份分析（PCA）可找出输入字段的线性组合，该组合最好地捕获了整个字段集合中的方差，且组合中的各个成分相互正交（相互垂直）。因子分析则尝试识别底层因素，这些因素说明了观测的字段集合内的相关性模式。这两种方式的目标都是找到有效概括原始字段集中的信息的一小部分导出字段。 请参阅 主题 主成份分析/因子节点 详细信息。 统计模型很早就已被提出和应用，并且在数学上相对好理解。在这些基本模型中，假设数据间的关系相当简单。在某些情况下，它们能非常快速地给出合适的模型。甚至对于那些只有更加灵活的机器学习技术（例如神经网络）才能最终给出更好结果的问题，仍然可以将统计模型作为基线预测模型以判断先进技术的性能。相关主题筛选字段和记录异常检测节点神经网络节点聚类模型关联规则时间序列建模节点? Copyright Integral Solutions Limited 1994, 2010统计模型,统计模型,统计模型线性回归模型,线性回归模型,线性回归模型Logistic 回归模型,Logistic 回归模型,Logistic 回归模型IBM SPSS Modeler 帮助 建模节点 统计模型上一个 下一个 回归节点线性回归是一种常用统计方法，它可根据数值输入字段的值对记录进行分类。线性回归拟合将预测输出值与实际输出值之间的差异最小化的直线或平面。显示详细信息 隐藏详细信息简单线性回归图注意：在将来的版本中，回归节点将被线性节点替换。我们建议从现在开始为线性回归使用线性模型。要求。回归模型中只能使用数值字段。必须有且仅有一个目标字段（角色设置为目标），但可以有一个或多个预测变量（角色设置为输入）。角色为两者或无的字段将被忽略，就像对待非数值字段一样。（如有必要，可以使用导出节点对非数字字段进行重新编码。 请参阅 主题 使用派生节点对值进行重新编码 详细信息。 )强度。回归模型相对简单，用来形成预测的数学公司易于解释。由于回归建模是一种由来已久的统计方法，因此回归模型的属性已广为人所熟知。而且回归模型训练起来也非常快。回归节点提供了可排除方程式中无意义输入字段的自动字段选择方法。注意：对于目标字段为类别（如 yes/no 或 churn/dont churn）而非连续范围的情况，可以将 Logistic 回归用作替代方法。Logistic 回归还支持非数值输入，因而无需对这些字段进行重新编码。 请参阅 主题 逻辑节点 详细信息。 相关主题建模节点概述建模节点字段选项回归节点模型选项回归节点专家选项回归节点步进选项回归节点的高级输出注解节点属性概述? Copyright Integral Solutions Limited 1994, 2010线性回归模型,线性回归模型,线性回归模型建模节点,建模节点,建模节点建模节点,建模节点,建模节点回归模型,回归模型,回归模型建模节点,建模节点,建模节点建模节点,建模节点,建模节点线性回归模型,线性回归模型,线性回归模型估计方法,估计方法,估计方法估计方法,估计方法,估计方法逐步估计法,逐步估计法,逐步估计法线性回归模型,线性回归模型,线性回归模型线性回归模型,线性回归模型,线性回归模型后退估计法,后退估计法,后退估计法线性回归模型,线性回归模型,线性回归模型线性回归模型,线性回归模型,线性回归模型前进估计法,前进估计法,前进估计法线性回归模型,线性回归模型,线性回归模型线性回归模型,线性回归模型,线性回归模型分区,分区,分区模型构建,模型构建,模型构建模型构建,模型构建,模型构建线性回归模型,线性回归模型,线性回归模型缺失值,缺失值,缺失值专家选项,专家选项,专家选项步进选项,步进选项,步进选项奇异性容许误差,奇异性容许误差,奇异性容许误差缺失值,缺失值,缺失值专家选项,专家选项,专家选项步进选项,步进选项,步进选项奇异性容许误差,奇异性容许误差,奇异性容许误差奇异性容许误差,奇异性容许误差,奇异性容许误差线性回归模型,线性回归模型,线性回归模型线性回归模型,线性回归模型,线性回归模型专家输出,专家输出,专家输出回归节点,回归节点,回归节点回归节点,回归节点,回归节点步进选项,步进选项,