SPSS-Clementine应用宝典-负关联规则挖掘算法的数据分析

10.2“近似”负关联规则算法定理1设，则有① ② ③ ④其中：为支持度函数。定理1描述的是三种不同形式的负关联规则支持度的计算方法。

多维关联规则挖掘是根据是否允许同一个维度重复出现，可分为维间的关联规则（不允许同一维度重复出现）和混合维关联规则（允许维度在规则的左右同时出现）。

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）。

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。

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）

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。

生成规则集模型的节点代表了由关联规则建模节点(Apriori or GRI)，或生成C5.0节点，或C&RT节点发现的规则，用于预测特定输出字段。未精炼的规则节点生成的规则集节点可以在流中生成预测。用户可通过图标将规则集节点模型加入流中，并通过右键点击流选择节点放置位置。连接数据后，用户可以使用规则集节点模型进行预测，输入数据需与训练数据相同。执行包含规则集节点的流时，该节点将添加两个新字段，存放预测值和置信度。关联规则集的预测字段前缀为$A-，置信字段前缀为$AC-。C5.0规则集的预测字段前缀为$C-，置信字段前缀为$CC-。C&RT规则集的预测字段前缀为$R-，置信度字段前缀为$RC-。

针对传统关联规则挖掘算法不能有效挖掘负关联规则的问题，该研究引入了负关联的理论，并提出了新的算法。

聚类分析是根据事物的属性将其聚集成类别，以最大化类内相似性和最小化类间相似性。数据挖掘要求聚类具备可伸缩性，能够处理不同类型的属性，并发现任意形状的聚类。SPSS-Clementine应用在此过程中起到关键作用，帮助用户减少领域知识输入的需求，同时提高对噪声数据的处理能力。