多类支持向量机算法详解及SPSS-Clementine应用指南

SPSS-Clementine数据挖掘技术手册支持向量机基础详解

14.1支持向量机基础，包括机器学习的基本问题，经验风险最小化问题，VC维与学习一致性理论，以及结构化风险最小化。14.2支持向量机的基本原理涵盖线性支持向量机、广义线性支持向量机及非线性支持向量机，包括高维空间的影射和核函数。14.3支持向量机的实现技术介绍chunking算法、Decomposing算法和SMO算法，详细分析SMO算法的特点和优势。14.4支持向量回归机包括不敏感损失函数和支持向量回归机模型。14.5还讨论了支持向量机的改进算法。

数据挖掘 3 2024-07-13

支持向量机（SVM）应用详解

详细介绍了使用Matlab编写的支持向量机分类器代码，用于模式识别和分类任务。支持向量机作为一种强大的机器学习算法，在各种应用场景中展示出了其高效性和准确性。通过该代码，用户可以深入了解支持向量机在模式识别中的实际应用。

Matlab 2 2024-07-23

SPSS-Clementine 抽样节点详解

抽样节点 可选择按指定模式（包含或排除）抽取或丢弃记录。 样本：- 连续抽取：从第一条记录开始连续抽取。- n中取1：每 n 条记录抽取或丢弃一条记录。- 随机 %：随机抽取数据集指定百分比的样本。 最大样本量：设定抽取的样本最大数量。 随机数种子：设置随机种子值，用于生成随机数。

数据挖掘 4 2024-05-13

数据挖掘技术与SPSS-Clementine应用详解

在SPSS-Clementine中，数据挖掘技术涵盖多种数据类型：连续型适用于数值描述，离散型适用于描述未知数量的字符串，标志型用于仅有两个值的数据，集合型描述多个具体值的数据，有序集合型用于有内部顺序的数据，无类型则适用于不符合以上任一种类的数据或含有众多元素的集合类型数据。

数据挖掘 2 2024-07-24

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

参数估计与SPSS-Clementine应用指南

在数据挖掘中，参数估计是一项关键技术。SPSS-Clementine作为应用工具，有效支持了这一过程。

数据挖掘 0 2024-09-13

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