实验一 Clementine12.0数据挖掘分析方法与应用

非结构化

(

原文< /p>

)

数据

■

使用

Text Mining for Clementine

自动从任何类型的文本中提取各种概念。

5

–

---

网站数据

■

使用

Web Mining for Clementine

自动从网络日志中提取网站上的事件。

–

----

调查数据

< br>

■

直接访问存储在

Dime nsions

数据模型或

Dimensions*

产品中的数据文件。

–

---

数据输出

■

可以输出为分隔符分隔，

固定宽度的文件，

所有主流数据库数 据，

Microsoft

Excel

，

SPSS

，和

SAS 6

7

，

8

和

9

文件；

■

使用

Excel

< br>导出节点导出成

XLS

格式；

■

为市场调研输出数据到

Dimen sions

中。

（

< br>2

）

各种数据清洗选项

–

移出或者替换无效数据

–

使用预测模型自动填充缺失值

–

自动侦测及处理异常值或极值

（

3

）

数据处理

–

---

完整的记录和字段操作，包括：

■

字段过滤、命名、导出、分段、重新分类、值填充以及字段重排；

■

对记录进行选择、

抽样（包括 簇与分层抽样）

、合并（内连接、完全外连

接、部分外连接以及 反连接）和追求；排序、聚合和平衡；

■

数据重新结构化，包括转置；

■

分段节点能够根据预测值对数字值进行最优分段；

■

使用新的字符串函数：字符串创建、取子字符串、替换、查 询和匹配、空

格移除以及截断；

■

使用时间区间节点为时间序列分析做准备；

–

---

将数据拆分成训练、测试和验证集。

–

---

对多个变量自动进行数据转换。

■

可视化的标准数据转换

–

数据转换在

Clementine

中直接使用

SPSS

数据管理和转换功能；

■

RFM

评分 ：

对客户交易进行汇总，

生成与最近交易日期、交易频度以及交

易金额相关的评分，并对这些评分进行组合，从而完成完整的

R FM

分析过程。

6

4.

建模

建 模过程也是数据挖掘中一个比较重要的过程。

需要根据分析目的选出适合

的模型工具，通过样本建立模型并对模型进行评估。

Clementine

提供了非常广泛的数据挖掘算法以及更多高级功能，从而帮助企< /p>

业从数据中得到尽可能最优的结果。

■

提供交互式建模、方程式浏览器及专业统计输出；

■

图形化显示不同变量对预测目标影响的重要程度；

■

用元建模合并模型

–

合并多个模型或者将一个模型的预测应用于建立另外一个模型；

–

模型合并节点能够自动整合预测值 从而优化预测结果的准确性及稳定性；

■

< br>用

PMML

导入其它工具生成的模型，例如

AnswerTree

和

SPSS for Windows

■

使用

Cleme ntine

扩展性架构客户化算法。

Clementine

提供的数据挖掘算法包括：

■

C&RT

、

CHAID&QUEST

—

决策树算法

包括交互式决策树创建；

■ < /p>

决策列表

—

交互式业务规则创建算法能够 让分析人员把业务知识集成在

预测模型中

■

C5.0

决策树及规则集算法

■

神经网络

—

向后传播的多层感知器以及径向基函数

■

支持向量机

—

为宽表提供更准确的分析结果

■

贝叶斯网络

—

可视化的概率模型

■

二元及多元回归

■

自学习响应模型

—

增量学习的贝因斯模型

■

线性回归

—

最佳拟和线性方程式模型

■

广义线性模型（

GLM

）

■

Cox

回归

—

分析某类事件的发展趋势

■ < /p>

时间序列

—

自动生成时间序列预测模型< /p>

■

K-means

< br>—

聚类

■

< br>Kohonen

—

神经元网络聚类算法

< br>

■

两步聚类

—

自动选择合适的聚类数

7

■

异常侦测

—

基于聚类算法侦测那些异常记录

■

两步聚类

—

自动选择合适的聚类数

■

主成分

/

因子分析

—

通过主成分

/

因子分析对数据降维

■

GRI

—

规则归纳相关性探索算法

■

Apr iori

—

提供高级评估功能的演绎关联算法

< br>

■

CARMA

—