数据挖掘技术与SPSS-Clementine应用详解

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

数据挖掘原理与SPSS-Clementine应用宝典详解

C5.0节点成本页签C5.0节点对话框用于显示错误归类损失矩阵，指定不同类型预测错误之间的相对重要性。图21-20展示了错误归类损失的成本对比。损失矩阵显示每一可能预测类和实际类组合的损失情况，允许用户自定义损失值以及改变预测类与实际类组合的损失值。

数据挖掘 0 2024-09-01

数据挖掘技术探索与SPSS-Clementine应用手册

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。

数据挖掘 0 2024-08-11

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

数据挖掘原理与SPSS-Clementine应用指南

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。

数据挖掘 0 2024-10-12

数据挖掘原理与SPSS-Clementine应用宝典

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。

数据挖掘 0 2024-10-16