第1章 数据挖掘和Clementine使用概述 1.1 数据挖掘的产生背景 1.2 什么是数据挖掘 1.3 Clementine软件概述第2章 Clementine的数据读入和数据集成 2.1 变量类型 2.2 读人数据 2.3 生成实验方案 2.4 数据集成第3章 Clementine的数据理解 3.1 变量说明 3.2 数据质量的评估和调整 3.3 数据的排序 3.4 数据的分类汇总 3.5 用户报表第4章 Clementine的数据准备 4.1 变量变换 4.2 变量派生 4.3 数据精简 4.4 数据筛选 4.5 数据准备的其他工作第5章 Clementine的基本分析 5.1 数值型变量的基本分析 5.2 两分类型变量相关性的研究 5.3 两总体的均值比较 5.4 rfm分析第6章 Clementine的数据精简 6.1 变量值的离散化处理 6.2 特征选择 6.3 因子分析第7章 分类预测：Clementine的决策树 7.1 决策树算法概述 7.2 Clementine的c5.0算法及应用 7.3 Clementine的分类回归树及应用 7.4 Clementine的chaid算法及应用 7.5 Clementine的quest算法及应用 7.6 模型的对比分析第8章 分类预测：Clementine的人工神经网络 8.1 人工神经网络算法概述 8.2 Clementine的b-p反向传播网络 8.3 Clementine的b-p反向传播网络的应用 8.4 Clementine的径向基函数网络及应用第9章 分类预测：Clementine的支持向量机 9.1 支持向量分类的基本思路 9.2 支持向量分类的基本原理 9.3 支持向量回归 9.4 支持向量机的应用第10章 分类预测：Clementine的logistic回归分析 10.1 logistic回归分析概述 10.2 二项logistic回归分析 10.3 二项logistic回归分析的应用 10.4 多项logistic回归分析及应用第11章 分类预测：Clementine的判别分析 11.1 距离判别法 11.2 fisher判别法 11.3 贝叶斯判别法 11.4 判别分析的应用第12章 分类预测：Clementine的贝叶斯网络 12.1 贝叶斯方法基础 12.2 贝叶斯网络概述 12.3 tan贝叶斯网络 12.4 马尔科夫毯网络 12.5 贝叶斯网络的应用第13章 探索内部结构：Clementine的聚类分析 13.1 聚类分析的一般问题 13.2 Clementine的k-means聚类及应用 13.3 Clementine的两步聚类及应用 13.4 Clementine的kohonen网络聚类及应用 13.5 基于聚类分析的离群点探索第14章 探索内部结构：Clementine的关联分析 14.1 简单关联规则及其有效性 14.2 Clementine的apriori算法及应用 14.3 Clementine的gri算法及应用 14.4 Clementine的序列关联及应用参考文献
· · · · · · (收起)