本章内容涵盖了回归分析的基础概念，包括一元线性回归、多元线性回归以及非线性回归分析。
本章内容-数据挖掘原理与SPSS-Clementine应用全解
相关推荐
数据挖掘原理与SPSS-Clementine应用指南
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。
数据挖掘
3
2024-07-15
数据挖掘原理与SPSS-Clementine应用指南
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。
数据挖掘
3
2024-07-16
数据挖掘原理与SPSS-Clementine应用宝典
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）。
数据挖掘
2
2024-07-18
数据挖掘原理与SPSS-Clementine应用指南
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。
数据挖掘
0
2024-08-10
图数据挖掘原理与SPSS-Clementine应用宝典
图20-2以颜色为层次的图和图20-3以大小为层次的图详细介绍了数据挖掘的原理和SPSS-Clementine应用方法。
数据挖掘
1
2024-07-17
数据挖掘原理与SPSS-Clementine应用宝典详解
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）
数据挖掘
2
2024-07-17
数据挖掘的原理与SPSS-Clementine应用指南
生成异常节点图21-55生成异常节点对话框汇总页签
数据挖掘
0
2024-08-11
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
0
2024-08-14
数据挖掘原理与SPSS-Clementine应用手册
23.3.2.3 设置项目属性t可以使用项目属性对话框来自定义项目的内容和文档。要访问项目属性，一般执行以下操作： Step1.右键单击项目工具中的根文件夹，然后选择“工程属性”命令；或者右键单击项目工具中的非根文件夹，然后选择“工程” →“工程属性”命令。工程选项卡对话框如图23－9工程选项卡对话框所示。 Step2.单击“工程”选项卡以指定项目的相关信息。
数据挖掘
0
2024-08-25