第四章 用SPSS工具做数据挖掘.pptVIP

SPSS Clementine功能 SPSS Clementine操作界面 本示例的数据文件保存为GOODS1n，我们向数据流程区添加Var. File结点，并将数据文件读入该结点。 向数据流增加一个Derive结点，将该结点命名为Increse。在公式栏中输入(After - Before) / Before * 100.0以此来计算促销前后销售额的变化。 添加一个Type结点到数据流中。由于在制定促销方案前我们并不知道促销后商品的销售额，所以将字段After的Direction属性设置为None；神经网络模型需要一个输出，这里我们将Increase字段的Direction设置为Out，除此之外的其它结点全设置为In。 在设置好各个字段的Direction方向后我们将Neural Net结点连接入数据流。 在对Neural Net进行设置时我们选择快速建模方法（Quick），选中Prevent overtraining防止过度训练。同时我们还可以根据自己的需要设置训练停止的条件。 将Increase结果结点连接在数据流中的Type结点后。 向数据流中增加Derive结点并将它命名为ratio，然后将它连接到Increase结果结点。设置该结点属性，将增添的字段的值设置为(abs(Increase - $N-Increase) /Increase) * 100，其中$N-Increase是由神经网络生成的预测结果。通过该字段值的显示我们可以看出预测值与实际值之间的差异大小。 可以通过观察预测值与实际值之间的差异来评价模型的优劣。从Graph栏中选择histogram结点连接到ratio结点。 设置该结点，使其输出显示ratio的值（在field的下拉列表中选择ratio），输出结果如下图所示： 预测模型建立 该模型的建立就是为了预测新样本。我们现将数据源的文件改为GOODS2n；然后按住alt键双击Increase结点以此来绕过该结点；断开Increase结果结点与Ratio结点之间的连接，再增添一个Table结点观察Increase结果结点的输出。在Type结点中我们只设置字段after的Direction属性为None，其余的都为In。通过这种方法建立好的数据流如下图所示：右键单击Table结点，选择运行数据流。运行生成的结果如下，其中$N-Increase为预测结果 输出规范化 $N-Increase栏表示促销后销售额可能增减的比率。由于神经网络的最终输出需要规范到[0,1]区间，所以我们选择输出值在(0,1)内连续的S形函数将结果规范化。S型函数表达式为 。我们通过增加Derive结点将结果其规范化。 选择促销方案: 根据神经网络模型的预测输出，我们可以选出GOODS2n文件中包含的可执行促销方案。假定预测结果经规范化后结值1的方案为可执行方案，我们需要增加一个结点来选出满足这些条件的结点。Clementine为我们提供了Select结点，它可以从数据集中筛选出满足预定条件的记录,从Record OPs栏内选择Select结点连接到Format结点后，在它的属性设置中选择包含format＝1.000的结点，整个流程图如右图所示： 运行数据流后我们将得到可用于促销的方案。结果图如下所示： * 谢谢！ * SPSS数据挖掘 二零一三年五月 目录 二、 SPSS工具介绍 三、数据挖掘模型CRISP方法 一、数据挖掘介绍 四、 SPSS工具数据挖掘（神经网络） 什么是数据挖掘 通过采用自动或半自动的手段，在海量数据中发现有意义的行为和规则的探测和分析活动。 数据挖掘是一门科学，有科学的方法和模型作为基础 数据挖掘又是一门艺术，需要使用者对商业问题的深入理解和模型适用条件深刻的认识 数据挖掘的商业思路 更好的数据挖掘结果 ! 知识 商业问题 ? 行业经验 数据挖掘的技术思路 ? ! 商业问题解决方案 数据挖掘问题 商业问题 目录 二、 SPSS工具介绍 三、数据挖掘CRISP方法 一、数据挖掘介绍 四、 SPSS工具数据挖掘（神经网络） 建立客户档案并且计算出客户保持率。 探查并预测公司中的欺诈行为。 确定和预测网站数据中有价值的访问顺序。 预测销售和增长的未来趋势。 描述直邮的回应和信用风险。 对流失进行预测，分类和分割。 详细审查自动产生的大量数据，并发现有用模式。 数据流程区 选项面板 管理器 项目区 报告窗口 状态窗口 目录 二、 SPSS工具介绍 三、数据挖掘CRISP方法 一、数据挖掘介绍 四、 SPSS工具数据挖掘（神经网络） CRISP-DM介绍 跨行业数