数据挖掘原理与SPSS Clementine应用宝典

本书从数据挖掘基础、数据挖掘经典算法、数据挖掘业务建模与模型评价、SPSS Clementine数据挖掘实务这4方面对数据挖掘技术进行了全面介绍。本书共24章，分为4部分。第1部分介绍数据挖掘的基本概念及数据挖掘应用的基本原理。第2部分介绍了回归分析、贝叶斯网络、聚类分析、决策树算法、关联规则、粗糙集、神经网络模型、遗传算法等。第3部分是数据挖掘建模和模型模型评价的基础知识。第4部分包括SPSS Clementine数据挖掘项目的实现和具体实施，以及3个典型案例。

这是一本系统阐述数据挖掘原理、方法、工具以及应用的著作。全书分为四部分，全面介绍了数据挖掘的基本概念、经典算法、业务建模与模型评价，以及SPSS Clementine数据挖掘实务。 在数据挖掘应用基础部分，书籍从数据挖掘概述、可挖掘的知识类型、体系结构与模型、数据选择以及数据预处理等方面进行了详细的介绍。特别强调了数据挖掘技术的社会需求，以及数据挖掘系统的分类。同时，也阐述了回归分析的基本原理，以及决策树算法原理介绍，为后续的数据挖掘算法和应用奠定了坚实的基础。 在数据挖掘经典算法部分，书籍详细介绍了回归分析、贝叶斯分析、聚类分析、决策树算法、关联规则、粗糙集理论、神经网络模型、遗传算法等经典算法。这些算法是数据挖掘的核心，通过这些算法的应用，我们可以从大量数据中提取出有用的信息和知识。 在数据挖掘建模与模型评价部分，书籍介绍了数据挖掘建模原理，以及基于损失函数的模型评价方法。强调了模型评价的必要性，并介绍了遗传算法概述与优势，以及粗糙集理论的基本概念。这些内容对于理解和应用数据挖掘模型至关重要。 在SPSS Clementine数据挖掘实务部分，书籍详细介绍了SPSS Cle