数据挖掘与数学建模

本书特色

《数据挖掘与教学建模》：现代计算机科学与技术教材系列。

内容简介

本书以国际数据挖掘标准流程（grisp-dm）为依据，以企业管理面临的现实问题为应用案例，由浅入深介绍数据挖掘方法及其解决问题过程的数据理解、数据处理、数据分析、数学建模、模型结果评估等内容，并引人应用广泛的数据挖掘clementine软件辅助问题案例的解决，使读者不仅可以集中地学习数据挖据的主要理论方法，而且可以了解基于数据挖掘的数学建模过程，可以学习应用软件辅助解决问题的操作方法。
本书把理论、案例、建模、软件辅助结合一体统一叙述，简述理论，突出应用，详细分析，展示过程，既考虑高校学生的学习需要，分本科生与研究生学习层次，又考虑企业管理者的应用与实践需要。
　　本书可作为数据挖掘理论与技术的教学、实践、应用和提高的教科书或参考书。适合高等学校本科高年级学生、研究生以及学习数据挖掘、数学模型课程的学生使用，也适合相关的企业管理与决策支持技术人员使用。

节选

相关资料

插图：如果检验结果达到期望的目标，表示模型建立完毕，如果检验发现有较大的偏差，即模型计算的目标值与实际样本目标值不一致，表示模型的结果不符合实际需要，此时要返回数据处理环节，检查提取样本特征和定义样本取值的合理性，当学习样本不足以代表检验样本信息或拟合模型偏离时，可能导致建立模型的失效性。5）结果评估建立的模型通过模型检验后，要对模型结果反映的数据关系的变化规律进行科学分析与评估，使与实际应用问题的物理意义与现实机理反映的特征规律相一致，如果模型结果反映的变化规律与实际的不一致，表示尽管学习样本、检验样本与模型结果一致，但反映的变化规律仍与问题研究的目标有差异，此时应返回数据理解环节，分析可能存在但忽略的影响因素变量，通过补充，重新定义新的样本与模型结构，通过再学习使模型结果与实际问题的变化规律和物理意义相一致。6）结果应用当建立的数学模型不仅通过指定样本检验，而且通过应用问题的结果评估时，模型可以应用于问题领域，一般分为试应用和完善应用两个阶段。由于基于数据挖掘的数学建模，是从数据切入，数据获取的部分性和定义样本的非全局代表性，可能使模型结果的应用也带有局部而非全局的特征，需要不断地扩大数据收集范围，扩大模型吸取学习样本的特征信息，才能扩展模型应用的全局性质，因此，试应用是不断补充样本特征信息使模型自适应学习修正模型参数的过程；完善应用是不断比较模型结果与专家经验，使模型结果与实际的期望结果更接近的完善过程。1.4 数据挖掘软件Clemerttine的基本操作概述目前，各领域应用的数据挖掘软件辅助决策有许多，较常用的一个软件是由SPSS生产商推出的数据挖掘软件Clementine。该软件按照国际定义的数据挖掘标准流程设计，包含了基本的数据挖掘方法，具有较强的数据与模型集成功能，使用方便直观，是一种较好的数据挖掘教学与应用分析工具。1.4.1 Clementine数据挖掘的基本思想Clementine提供了大量的人工智能、统计分析的模型（神经网络，关联分析，聚类分析、因子分析等），并用基于图形化的界面为认识、了解、熟悉这个软件提供了方便。除了这些，Clementine还拥有优良的数据挖掘设计思想，正是因为有了这个思想，每一步的工作也变得很清晰，如图1.1 所示。如图1.1 所示，CRISP-DM Model包含了6个步骤，并用箭头指示了步骤间的执