IBM SPSS Modeler 【6】 建立决策树_词汇网
IBM SPSS Modeler 【6】 建立决策树
责任编辑：词汇网 发表时间： 18:33:28
SPSS数据挖掘方法概述――关联、决策树本实验是基于关联和决策树在数据挖掘中的应用。通过该实验，能够客观实际地理解关联分析和决策树的相关知识。首先进行的是关联分析，之后利用关联分析的数据建立一个决策树。2、建立决策树在该部分的试验中，需要将注意力转移到顾客身上，即分析哪些顾客是“健康食品购买者”――同时购买fruitveg和fish。（1）如何标志健康食品购买者。点击“字段选项”选项卡下的“导出”增加一个属性（Healthy）来标识健康食品购买者。编辑“导出”节点，将字段类型设为“标志”，并编辑“fruitveg = "T" and fish="T"”，该公式表示消费者同时购买fruitveg和fish这两种商品，如图47。图47“导出”节点编辑窗口（2）查看增加“Healthy”之后的数据表。利用“表”来查看数据表，如图48，可以看到表中增加了一个“Healthy”字段，描述是否为健康食品购买者。图48增加“Healthy”之后的数据表（3）接入一个“类型”节点。在这里，需要重新编辑字段的角色，如图49所示。其中与用户相关的信息字段（除cardid外）角色都设定为“输入”，而“Healthy”变为“输出”，其他的选择“无”。图49“类型”节点编辑窗口（4）接入C5.0决策树模型。双击“建模”选项卡下的“C5.0”模型，既可以完成添加。如图50。图50工作区中的“C5.0”模型（5）运行决策树模型。分别运行“决策树”和“规则集”两种形式，查看两者得到的结果分别如图51和图52所示。两者都分别有不同的表示方式。图中显示哪些类型的顾客是健康食品购买者。图51用决策树形式查看决策树模型运行结果图52用规则集形式查看决策树模型运行结果（6）其他属性的功能，如图53。“组符号”是指当有多个字段在同一个分支时，将这几个字段放在一组；“使用boosting”是指使用部分数据作为再次生成决策树，最后综合这些决策树来提高决策树的精度；“交互验证”是指一部分数据用来生成决策树，一部分作为测试；“简单”是指生成决策树的准确度，但是精确度高的决策树的移植性不高；“专家”下的“修剪严重性”是指修剪的程度。图53其他属性功能（7）分析“修剪严重性”条件为0时的结果。在图54中可以看出，决策树有8层（“修剪严重性”为75%的有2层）。由此可以得出结论，“修剪”对精度具有重要的影响。图54“修剪严重性”条件为0时的结果（8）将决策树模型加入数据流。首先选择“字段选项”下的“类型”节点，然后分别双击右上侧的“tree”和“no-cut”（已重命名），在这之后，分别添加“分析”节点作为输出，得到如图55的数据流。图55工作区中的“分析”节点（9）分析“修剪严重性”为75%的正确性。运行“tree”下“分析”节点，在图56中可以看出，决策树分支的正确率为93.8%。图56分析“修剪严重性”为75%的正确性（10）分析“修剪严重性”为0的正确性。运行“no-cut”下“分析”节点后，得到图57，图中显示决策树分支的正确率为95.1%。由此表明这两者的正确率差别不是十分大，仅为1.3%。但是，一般情况下，会选择简单的模型作为选择对象，即“修剪严重性”为75%的模型。图57分析“修剪严重性”为0的正确性（11）决策树的另外一个选项――成本，如图58显示。此处的成本主要指决策树将T判为F，而将F判为T的过程需要成本，同时这个成本一般并不相同，SPSS Modeler 14.2的这两个默认值都是1。在这里，将F判为T的成本改为0.3，将T判为F的成本改为2.0，“修剪严重性”设定为75%，运行该决策树模型，得到图59，共有8层。接下来，将这与原来生成的“tree”模型（F判为T的成本为1.0，T判为F的成本改为1.0，“修剪严重性”为75%）进行比较。如58修改“决策树”模型的成本选项图59“决策树”模型运行结果（12）添加“输出”选项卡下的“矩阵”节点。将这个模型添加到数据流中，并在此基础上分别添加“矩阵”节点，如图60所示。图60工作区的“矩阵”节点（13）分别运行“矩阵”节点，并分析数据。在运行这两个节点之前，需要将这两个“矩阵”节点的“行”设为“Healthy”，“列”设为“$C-Healthy”。运行后分别得到图61（左： “tree”，右：“2-0.3cost”）的表格。可以看出，决策树总是朝着成本最低的趋势生成决策树。图61“矩阵”节点运行后结果
上一集:没有了 下一集:
相关文章：
最新添加资讯
24小时热门资讯
附近好友搜索甫崎咨询：数据挖掘和 SPSS Modeler 初中级培训_天才吧_百度贴吧
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&签到排名：今日本吧第个签到，本吧因你更精彩，明天继续来努力！
本吧签到人数：0可签7级以上的吧50个
本月漏签0次！成为超级会员，赠送8张补签卡连续签到：天&&累计签到：天超级会员单次开通12个月以上，赠送连续签到卡3张
关注：625,494贴子：
甫崎咨询：数据挖掘和 SPSS Modeler 初中级培训
数据挖掘和 SPSS Modeler 初中级培训课程介绍课程将介绍数据挖掘原理、SPSS Modeler数据挖掘软件的基本操作和环境；学习如何使用SPSS Modeler读取，处理数据知识概要l
数据挖掘简介ü
CRISP-DM方法论l
SPSS Modeler 15.0简介ü
SPSS Modeler15.0的C/S架构和界面介绍ü
SPSS Modeler可视化程序的使用基础l
读取数据文件ü
SPSS Modeler可以读取的数据格式ü
读取文本数据与查看数据、SPSS数据、数据库数据（SDAP）ü
SPSS Modeler中的字段类型、字段方向ü
保存SPSS Modeler流l
数据理解---数据质量评估ü
数据理解ü
缺失值定义ü
数据审核节点介绍ü
分布图节点----初步理解字符型字段的分ü
直方图/统计节点----初步理解数值型字段的分布l
简单数据整理ü
Clem语言简介ü
选择节点，过滤节点和导出节点介绍ü
自动生成操作节点l
寻找数据中的关系ü
矩阵节点、网络图节点、统计节点、散点图节点、直方图节点l
SPSS Modeler中的技术ü
神经网络、规则归纳模型、模型比较ü
聚类分析、、序列检测培训对象
对数据挖掘或Modeler感兴趣的使用者和数据分析人员。培训收益培训人员能够掌握数据挖掘理论和常用的建模技术、掌握的常见技术，比如神经网络、决策树等，并将其应用到具体业务操作中详情“甫崎”
贴吧热议榜
使用签名档&&
保存至快速回贴9-12_建模节点_自学响应节点模型_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
9-12_建模节点_自学响应节点模型
上传于||暂无简介
阅读已结束，如果下载本文需要使用1下载券
想免费下载本文？
下载文档到电脑，查找使用更方便
还剩13页未读，继续阅读
你可能喜欢IBM SPSS Modeler 16.0最新更新|PASW Modeler 13- 数据挖掘解决方案|方便的创建，评估和部署预测模型
&400-621-1085
IBM SPSS Modeler - 数据挖掘解决方案
IBM SPSS Modeler 16 中的新增功能
IBM(R) SPSS(R) Modeler 在此次发行版中增加了下列功能。
Monte Carlo 模拟。新的&模拟源&节点提供了一种使用大量统计分布从头开始生成综合数据的简便方法。此外，新的&配件&节点可以自动构建预配置的源节点，反映历史变量的分布和历史变量间的关系。&模拟评估&节点是设计用于评估由模拟分析流产生的字段的终端节点，该节点提供有用的分布和相关图。
Python 脚本编制。用于在用户界面中实现过程自动化的 IBM SPSS Modeler 中的脚本编制现在可以使用 Python 语言，同时继续支持旧脚本编制方式。Python 是一款众所周知的热门语言，该语言提供丰富的功能集，包括丰富而简洁的语法、错误处理和功能强大的附加模块。注：工具 & 流属性中的脚本选项卡现在名为执行。
循环和条件执行。这些新选项使您能够轻松执行流的循环和条件执行，而不必对脚本进行编码。这些新选项位于工具 & 流属性 &执行中，或者您可通过右键单击流内的节点，然后选择循环/条件执行选项找到这些新选项。
空间-时间-箱 (STB) 节点。 创建位置和时间戳记数据的分箱，以支持更加精巧复杂的分析。在巢穴方式下，此节点还识别实体停留的时间和空间。其他表达式构建器函数支持 STB 形心的抽取以及地理散列。
Entity Analytics 增强功能。现在，这不仅能解析单个实体，还能够识别实体间的 N 度关系。此外，还支持通过流式方法节点进行实时更新、平铺已解析的实体（区分节点）以及在将数据提供给实体存储库时隐去其身份资料。注：以前的本地 SolidDB 数据库已由 DB2 替换。
新的&接收器操作特征 (ROC) 评估&节点图表类型和&分析&节点中的曲线下面积 (AUC) 和&基尼&度量。支持二元目标。
用于创建组合记录的新&区分&节点选项。允许您为每个分组字段（第一个值、最后一个值、连接值等等）指定一个汇总方法，而不必丢弃重复的记录。&汇总&节点通常用于将数据汇总到更高级别，而此新选项用于平铺重复项。例如，通过实体解析识别的重复项。
&TM1 源&节点和&TM1 导出&节点。允许您通过&TM1 源&节点来访问 TM1 立方体视图，以及使用&TM1 导出&节点将数据评分回现有 TM1 立方体。
汇总表达式和&窗口汇总&函数。您可以在&汇总&节点中创建定制汇总表达式，合并内置汇总函数（MEAN、SUM 等等）和/或数据库汇总用户定义函数。在派生表达式中，您可以派生需要窗口汇总函数（例如移动平均值）的字段。内置和数据库提供的窗口汇总函数可用。
IBM Netezza Analytics 数据库内挖掘增强功能。新的&Netezza 两步&算法和其他&帮助应用程序&选项用于管理（删除、重命名等等）Netezza 分析模型，支持&回归&树、&决策&树、Kmeans 和 TwoStep 的&模型&查看器。注：新功能需要 INZA 3.0。
新的 R 节点和 R 的自定义对话框构建程序。除了 SPSS Modeler 15 FP2 中引入的&R 模型构建&节点和模型块之外，此发行版还添加了 2 个新节点 -&R 过程&和&R 输出&。借助&R 过程&节点，您可以从 SPSS Modeler 流中获取数据，并使用 R 脚本编制对数据应用变换。借助&R 输出&节点，您可以使用自己的定制 R 脚本来执行数据分析以及汇总模型评分的结果。
您可以生成分析的文本和图形输出。可以将此输出转向文件，或在 R 输出节点输出浏览器中进行查看。自定义对话框构建程序让您能够创建自定义&模型构建&、&过程&和&输出&节点类型和模型块，包括字段选择器、文本、数字、单选按钮和子对话框控件，以实现 R 程序的抽象和参数化。您可以先选择节点类型、目标选用板和节点图标，然后再安装节点，或共享节点以供其他SPSS Modeler 用户使用。自定义对话框构建程序可从&工具&菜单启动。注：要使用此功能，必须已安装 SPSS Modeler - Essentials for R。
数据库中的 R。 SQL 回送支持 R 节点；利用其 R 支持对 Netezza、SAP Hana 和 Oracle 提供支持。注：数据库需要安装相应的供应商提供的 R 扩展。
&流式方法时间序列过程&节点。通过 IBM InfoSphere Streams、IBM SPSS Collaboration and Deployment Services 评分服务或 IBM SPSS Modeler Solution Publisher 来一步构建时间序列模型，并对其进行评分，以提供实时部署。
&预览&按钮。配合数据库源使用时，预览让您能够查看 SQL 回送。配合 Analytic Server 数据源使用时，可使用&预览&按钮来接收有关潜在大数据移动的信息。
&自动分类器&节点、&自动数值&节点和&自动聚类&节点中的新 Analytic Server 选项。针对 IBM SPSS Analytic Server 运行流时，您可以选择在启用拆分的情况下运行（如果您使用的是拆分模型功能，请使用此选项），或选择&大型数据&选项（拆分将被忽略，将为大数据设置建模目标）。目前，可以在 SPSS 建模器服务器 中构建的&自动分类器&、&自动数值&和&自动聚类&模型支持评分。
增强的 Scoring Adapter 支持。通过 Database Scoring Adapter 支持对&文本挖掘&模型进行评分。还提供适用于 DB2 LUW 和 Oracle 的新的 Database Scoring Adapter。
&数据视图&源节点。 &数据视图&节点允许您阅读从&分析数据视图&到 SPSS Modeler 流的数据。&分析数据视图&是在IBM SPSS Collaboration and Deployment Services 6 中创建统一数据视图的新方式。
各种其他增强功能。
数据库连接预设中的 Teradata 查询分级。
已更新的 GLMM 节点选项。
支持加密和压缩的 .sav 文件。
支持 SPSS 建模器服务器 单点登录 (SSO)，而无需 IBM SPSS Collaboration and Deployment Services。
对单点登录的数据库层支持。
针对 zDB2 的&样本&节点的 SQL 回送。
R 节点目前在基本 SPSS Modeler 安装过程中安装。
IBM SPSS Collaboration and Deployment Services 的 Modeler Adapter 通过 IBM Installation Manager 进行安装。
拆分模型更新。
支持俄语本地化。
咨询有关IBM SPSS Modeler正式版的信息，请联系我们的销售代表：
张小姐(602分机)
400-621-1085
cindy#(发邮件时请将#替换为@)
或点击下面的图片，在线提交购买咨询信息：
同公司产品
Copyright &
& All rights reserved.IBMSPSSModeler【1】K均值聚类
一、聚类分析
在数据挖掘中，聚类分析关注的内容是一些相似的对象按照不同种类的度量构造成的群体。聚类分析的目标就是在相似的基础上对数据进行分类。
IBM SPSS Modeler 提供了多种聚类分析模型，其中主要包括两种聚类分析，K-Mean 聚类分析和 Kohonen 聚类分析，下面对各种聚类分析实验步骤进行详解。
1、K-Means 聚类分析实验
首先进行 K-Means 聚类实验。
Modeler 14.2。选择“开始”“程序”“IBM
SPSS Modeler 14.2”“ IBM
SPSS Modeler 14.2 ”，即可启动 SPSS Modeler 程序，如图 1 所示。
图 1 启动 SPSS
Modeler 程序
打开数据文件。首先选择窗口底部节点选项板中的“源”选项卡，再点击“可变vcD4KPHA+Cs7EvP6hsb3ateOjrLWlu/e5pNf3x/i1xLrPysrOu9bDo6y8tL/JvauhsL/JseTOxLz+obG1xNS0zO2807W9wffW0KOsyOfNvCAyIMv5yr6ho9PSvPy1pbv3uaTX98f4tcShsL/JseTOxLz+obGjrNGh1PGhsLHgvK2hsaOstPK/qsjnzbwztcSx4LyttLC/2qOsxuTW0NPQ0O224NGhz+6/ybmp0aHU8aOstMu0pr750aHU8cSsyM/J6LaooaO147v3CiChsM7EvP6hsdPSsuC1xKGwPGltZyBzcmM9"/uploadfile/717.jpeg" width="39" height="22" alt="\">”按钮，弹出文件选择对话框，选择安装路径下 “Demos”文件夹中的“DRUG1n”文件，点击“打开”，如图4所示。
单击“应用”，并点击“确定”按钮关闭编辑窗口。
图 2 工作区中的“可变文件”节点
图 3 “可变文件”节点编辑窗口
图 4 文件选择对话框
图 5 工作区中的“表”节点
借助“表（Table）”节点查看数据。选中工作区的“DRUG1n”节点，并双击“输出”选项卡中的“表”节点，则 “表”节点出现在工作区中，如图 5 所示。运行“表”节点（Ctrl+E 或者右键运行），可以看到图 6 中有关病人用药的数据记录。该数据包含 7 个字段（序列、年龄(Age)、性别(Sex)、血压(BP)、胆固醇含量(Cholesterol)、钠含量(Na)、钾含量
(K)、药类含量(Drug)），共 200 条信息记录。
图 6 用于查看数据的“表”窗口
图 7 工作区中的“类型”节点
使用“类型（Type）”节点选择聚类分析的字段。选中“DRUG1n”节点，在 “字段选项”选项卡中双击“类型”节点，则 “类型”节点出现在工作区中，如图 7 所示。右键单击“类型”节点，选择“编辑”，可以看到一张关于字段的表，如图 8 所示。然后将所有字段的角色项设为“输入”，这表示要将所有字段进行聚类分析。最后点击“确定”按钮。
图 8 “类型”节点编辑窗口
进行接入模型。首先，使用 K-Means 模型进行聚类分析。选择工作区的“类型”，在窗口底部“建模”选项卡中，找到“K-Means”模型，并双击。在工作区中，即得到一个
K-Means 模型节点，如图 1-9 所示
图 9 工作区中的“K-Means”模型
编辑 K-Means 节点。右键单击工作区的“K-Means”，选择“编辑”，打开如图 10 的“K-Means”节点窗口。在“生成距离字段”的选择框中打勾，其他选择采用默认设置。
点击“运行”按钮，即生成 K-Means 聚类分析。
图 10 “K-Means”模型编辑窗口
查看 K-Means 聚类分析结果。在窗口右上侧区域的“模型”选项卡中，可以看到 K-Means 的模型，右键单击，并选择“浏览”，既可以看到 K-Means 聚类分析图，如图 11 所示。
图 11 “K-Means”聚类分析图
分析 K-Means 聚类分析。从图 11 中可以看到，聚类分析将源数据分成了五个聚类，每个类占总数的比例分别为 27.5%，23.0%，19.5%，15.5%和 14.5%。其中，对分类字段的依赖性依次由药类含量、血压、钾含量、胆固醇含量、钠含量、年龄和性别逐渐递减，其他的分析结论不在此细诉。
至此，已经完成了 K-Means 聚类分析实验的全部步骤。
(window.slotbydup=window.slotbydup || []).push({
id: '2467140',
container: s,
size: '1000,90',
display: 'inlay-fix'
(window.slotbydup=window.slotbydup || []).push({
id: '2467141',
container: s,
size: '1000,90',
display: 'inlay-fix'
(window.slotbydup=window.slotbydup || []).push({
id: '2467143',
container: s,
size: '1000,90',
display: 'inlay-fix'
(window.slotbydup=window.slotbydup || []).push({
id: '2467148',
container: s,
size: '1000,90',
display: 'inlay-fix'