《Clementine12中的数据挖掘算法》由会员分享，可在线阅读，更多相关《Clementine12中的数据挖掘算法（3页珍藏版）》请在装配图网上搜索。
1、Clementine12中的数据挖掘算法SPSS 2010-03-31 08:39:10阅读14评论0字号：大中小迅速的找到自己最近老有朋友问我Clementine12中都有哪些算法？感觉Clementine12中的算法很多，很齐全并且根 据商业目的做了大体的分类(预测的、分类的、细分的、关联的)，所以大家只要清楚自己的商业问题是 哪类问题、用什么算法能达到自己想要的目的就可以根据Clementine12中的模型划分，想要的mode；下图是Clementine12中所有数据挖掘的算法:两坂Logistic 5 回归利别式时1间序列QUESTCHA1DGRIAprian隔會异常C5 Q;燧瞅决集
2、列表k-MeansKohonenSLRMGenLinCarmasps 5-market, r. blog. 163.coin下面是谢邦昌教授的数据挖掘(Data Mining)十种分析方法，以便于大家对模型的初步了解，不过也 是日常挖掘中经常遇到的算法，希望对大家有用！(甚至有数据挖掘公司，用其中的一种算法就能独步天 下)1、记忆基础推理法(Memory-Based Reasoning； MBR)记忆基础推理法最主要的概念是用已知的案例(case)来预测未来案例的一些属性(attribute)， 通常找寻最相似的案例来做比较。记忆基础推理法中有两个主要的要素，分别为距离函数( distance
3、 function)与结合函数 (combination function)。距离函数的用意在找出最相似的案例；结合函数则将相似案例的属性结合起来， 以供预测之用。记忆基础推理法的优点是它容许各种型态的数据，这些数据不需服从某些假设。另一个优点是其具备学习能力，它能藉由旧案例的学习来获取关于新案例的知识。较令人诟病的是它需要大量的历 史数据，有足够的历史数据方能做良好的预测。此外记忆基础推理法在处理上亦较为费时，不易发现最佳 的距离函数与结合函数。其可应用的范围包括欺骗行为的侦测、客户反应预测、医学诊疗、反应的归类等 方面。2、市场购物篮分析(Market Basket Analysis)购物
4、篮分析最主要的目的在于找出什么样的东西应该放在一起？商业上的应用在藉由顾客的购 买行为来了解是什么样的顾客以及这些顾客为什么买这些产品，找出相关的联想(association)规则，企业藉由这些规则的挖掘获得利益与建立竞争优势。举例来说，零售店可藉由此分析改 变置物架上的商品排列或是设计吸引客户的商业套餐等等。购物篮分析基本运作过程包含下列三点：(1) 选择正确的品项：这里所指的正确乃是针对企业体而言，必须要在数以百计、千计品项中 选择出真正有用的品项出来。(2) 经由对共同发生矩阵(co-occurrence matrix)的探讨挖掘出联想规则。(3) 克服实际上的限制：所选择的品项愈多，计
5、算所耗费的资源与时间愈久(呈现指数递增)， 此时必须运用一些技术以降低资源与时间的损耗。购物篮分析技术可以应用在下列问题上：(1) 针对信用卡购物，能够预测未来顾客可能购买什么。(2) 对于电信与金融服务业而言，经由购物篮分析能够设计不同的服务组合以扩大利润。(3) 保险业能藉由购物篮分析侦测出可能不寻常的投保组合并作预防。(4) 对病人而言，在疗程的组合上，购物篮分析能作为是否这些疗程组合会导致并发症的判断 依据。3、决策树(Decision Trees)决策树在解决归类与预测上有着极强的能力，它以法则的方式表达，而这些法则则以一连串的 问题表示出来，经由不断询问问题最终能导出所需的结果。典
6、型的决策树顶端是一个树根，底部有许多的 树叶，它将纪录分解成不同的子集，每个子集中的字段可能都包含一个简单的法则。此外，决策树可能有 着不同的外型，例如二元树、三元树或混和的决策树型态。4、基因算法(Genetic Algorithm)基因算法学习细胞演化的过程，细胞间可经由不断的选择、复制、交配、突变产生更佳的新细 胞。基因算法的运作方式也很类似，它必须预先建立好一个模式，再经由一连串类似产生新细胞过程的运 作，利用适合函数(fitness function)决定所产生的后代是否与这个模式吻合，最后仅有最吻合的结果能 够存活，这个程序一直运作直到此函数收敛到最佳解。基因算法在群集(clust
7、er)问题上有不错的表现， 一般可用来辅助记忆基础推理法与类神经网络的应用。5、群集侦测技术(Cluster Detection)这个技术涵盖范围相当广泛，包含基因算法、类神经网络、统计学中的群集分析都有这个功能。 它的目标为找出数据中以前未知的相似群体，在许许多多的分析中，刚开始都运用到群集侦测技术，以作 为研究的开端。6、连结分析(Link Analysis)连结分析是以数学中之图形理论(graph theory)为基础，藉由记录之间的关系发展出一个模式， 它是以关系为主体，由人与人、物与物或是人与物的关系发展出相当多的应用。例如电信服务业可藉连结 分析收集到顾客使用电话的时间与频率，进而
8、推断顾客使用偏好为何，提出有利于公司的方案。除了电信 业之外，愈来愈多的营销业者亦利用连结分析做有利于企业的研究。7、在线分析处理(On-Line Analytic Processing； OLAP)严格说起来，在线分析处理并不算特别的一个数据挖掘技术，但是透过在线分析处理工具，使 用者能更清楚的了解数据所隐藏的潜在意涵。如同一些视觉处理技术一般，透过图表或图形等方式显现， 对一般人而言，感觉会更友善。这样的工具亦能辅助将数据转变成信息的目标。8、类神经网络(Neural Networks)类神经网络是以重复学习的方法，将一串例子交与学习，使其归纳出一足以区分的样式。若面 对新的例证，神经网络
9、即可根据其过去学习的成果归纳后，推导出新的结果，乃属于机器学习的一种。数 据挖掘的相关问题也可采类神经学习的方式，其学习效果十分正确并可做预测功能。9、区别分析(Discriminant Analysis)当所遭遇问题它的因变量为定性(categorical)，而自变量(预测变量)为定量(metric)时， 区别分析为一非常适当之技术，通常应用在解决分类的问题上面。若因变量由两个群体所构成，称之为双 群体一区别分析(Two-Group Discriminant Analysis)；若由多个群体构成，则称之为多元区别分析 (Multiple Discriminant Analysis； MDA)
10、。(1) 找出预测变量的线性组合，使组间变异相对于组内变异的比值为最大，而每一个线性组 合与先前已经获得的线性组合均不相关。(2) 检定各组的重心是否有差异。(3) 找出哪些预测变量具有最大的区别能力。(4) 根据新受试者的预测变量数值，将该受试者指派到某一群体。10、罗吉斯回归分析(Logistic Analysis)当区别分析中群体不符合常态分配假设时，罗吉斯回归分析是一个很好的替代方法。罗吉斯回 归分析并非预测事件（event）是否发生，而是预测该事件的机率。它将自变量与因变量的关系假定是S 行的形状，当自变量很小时，机率值接近为零；当自变量值慢慢增加时，机率值沿着曲线增加，增加到一 定程度时，曲线协率开始减小，故机率值介于0与1之间。
Clementine12中的数据挖掘算法
