IBM SPSS Modeler 簡介
作為 IBM 分析與預測解決方案的重要組成部分，IBM SPSS Modeler 是一組數(shù)據(jù)挖掘工具，通過這些工具可以采用商業(yè)技術快速建立預測性模型，并將其應用于商業(yè)活動，從而改進決策過程。隨著于 2010 年其新版本 14.1 的發(fā)布，名字也由 PASW Modeler 更名為現(xiàn)在的 IBM SPSS Modeler 。
SPSS Modeler 提供了各種借助機器學習、人工智能和統(tǒng)計學的建模方法。通過建模選項板中的方法，您可以根據(jù)數(shù)據(jù)生成新的信息以及開發(fā)預測模型。每種方法各有所長，同時適用于解決特定類型的問題。
回頁首
初次上手
典型的 SPSS Modeler 界面如下：
接下來將詳細介紹其基本概念及操作。
基本概念：節(jié)點
節(jié)點代表要對數(shù)據(jù)執(zhí)行的操作。
例如，假定您需要打開某個數(shù)據(jù)源、添加新字段、根據(jù)新字段中的值選擇記錄，然后在表中顯示結果。在這種情況下，您的數(shù)據(jù)流應由以下四個節(jié)點組成：
 | 變量文件節(jié)點，設置此節(jié)點后可以讀取數(shù)據(jù)源中的數(shù)據(jù)。 | |
 | 導出節(jié)點，用于向數(shù)據(jù)集中添加計算的新字段。 | |
 | 選擇節(jié)點，用于設置選擇標準，以從數(shù)據(jù)流中排除某些記錄。 | |
 | 表節(jié)點，用于在屏幕上顯示操作結果。 | |
基本概念：數(shù)據(jù)流
SPSS Modeler 進行的數(shù)據(jù)挖掘重點關注通過一系列節(jié)點運行數(shù)據(jù)的過程，我們將這一過程稱為數(shù)據(jù)流。也可以說 SPSS Modeler 是以數(shù)據(jù)流為驅動的產品。這一系列節(jié)點代表要對數(shù)據(jù)執(zhí)行的操作，而節(jié)點之間的鏈接指示數(shù)據(jù)的流動方向。如，上面提到的四個節(jié)點可以創(chuàng)建如下數(shù)據(jù)流：
通常，SPSS Modeler 將數(shù)據(jù)以一條條記錄的形式讀入，然后通過對數(shù)據(jù)進行一系列操作，最后將其發(fā)送至某個地方（可以是模型，或某種格式的數(shù)據(jù)輸出）。使用 SPSS Modeler 處理數(shù)據(jù)的三個步驟：
在 SPSS Modeler 中，可以通過打開新的數(shù)據(jù)流來一次處理多個數(shù)據(jù)流。會話期間，可以在 SPSS Modeler 窗口右上角的流管理器中管理打開的多個數(shù)據(jù)流。
節(jié)點選項板
節(jié)點選項板位于流工作區(qū)下方窗口的底部。
每個選項板選項卡均包含一組不同的流操作階段中使用的相關節(jié)點，如：
隨著對 SPSS Modeler 的熟悉，您可以在收藏夾自定義常用的選項板內容。
使用節(jié)點和流
要將節(jié)點添加到工作區(qū)，請在節(jié)點選項板中雙擊圖標或將其拖放到工作區(qū)。已添加到流工作區(qū)的節(jié)點在連接之前不會形成數(shù)據(jù)流，可以將各個圖標連接以創(chuàng)建一個表示數(shù)據(jù)流動的流，節(jié)點之間的連接指示數(shù)據(jù)從一項操作流向下一項操作的方向。
SPSS Modeler 中最常見的鼠標用法如下所示：
創(chuàng)建了流以后，可以對流進行保存、添加注解，將其添加到工程。從文件主菜單中，選擇流屬性還可以為流設置各種選項，如優(yōu)化、日期和時間設置、參數(shù)和腳本。使用流屬性對話框中的消息選項卡，可以輕松查看有關運行、優(yōu)化和模型構建和評估所用時間等流操作有關的消息，流操作的錯誤消息也將在這里報告。
SPSS Modeler 管理器
可以使用流選項卡打開、重命名、保存和刪除在會話中創(chuàng)建的多個流。
輸出選項卡中包含由 SPSS Modeler 中的流操作生成的輸出或圖形文件。您可以顯示、保存、重命名和關閉此選項上列出的表格、圖形和報告。
模型選項卡是管理器選項卡中功能最強大的選項卡。該選項卡中包含所有模型塊，如當前會話中生成的模型，通過 PMML 導入的模型等。這些模型可以直接從模型選項卡上瀏覽或將其添加到工作區(qū)的流中進行數(shù)據(jù)分析。
窗口右側底部是工程工具，用于創(chuàng)建和管理數(shù)據(jù)挖掘工程（與數(shù)據(jù)挖掘任務相關的文件組）。有兩種方式可查看您在 SPSS Modeler 中創(chuàng)建的工程 - 類視圖或 CRISP-DM 視圖。
依據(jù)跨行業(yè)數(shù)據(jù)挖掘過程標準 CRISP-DM選項卡提供了一種組織工程的方式。不論是有經驗的數(shù)據(jù)挖掘人員還是新手，使用 CRISP-DM 工具都會使您事半功倍。
類選項卡提供了一種在 SPSS Modeler 中按類別（按照所創(chuàng)建對象的類別）組織您工作的方式。此視圖在獲取數(shù)據(jù)、流、模型的詳盡目錄時十分有用。
回頁首
建模簡介
模型是一組規(guī)則、公式或方程式，可以用它們根據(jù)一組輸入或變量來預測輸出。例如，一家財務機構可根據(jù)對過往申請人的已知信息，使用模型預測貸款申請人可能存在優(yōu)良還是不良風險。預測結果是預測性分析的中心目標，了解建模過程是使用 SPSS Modeler 的關鍵。
本示例使用 CHAID（卡方自動交互效應檢測）模型，通過一系列決策規(guī)則對記錄進行分類（并預測用戶響應），例如：
如果收入 = 中等 并且卡 <5 則 ->“優(yōu)良” |
本示例旨在介紹使用 SPSS Modeler 進行數(shù)據(jù)挖掘的基本流程，其中大部分概念可廣泛應用于 SPSS Modeler 中的其他建模類型。
無論要了解哪種模型，均需要首先了解進入該模型的數(shù)據(jù)。此示例中的數(shù)據(jù)包含有關銀行客戶的信息。其中使用了下列字段：
| 字段名 | 描述 |
|---|---|
| Credit_rating | 信用評價：0= 不良，1= 優(yōu)良，9= 丟失值 |
| 年齡 | 客戶年齡 |
| 收入 | 收入水平：1= 低，2= 中，3= 高 |
| Credit_cards | 持有的信用卡數(shù)量：1= 少于五張，2= 五張或更多 |
| 教育 | 教育程度：1= 高中，2= 大學 |
| Car_loans | 貸款的汽車數(shù)量：1= 沒有或一輛，2= 超過兩輛 |
銀行可維護銀行貸款客戶的歷史信息，包括客戶是正常還貸（信用評價 = 優(yōu)良）還是在拖欠貸款（信用評價 = 不良）。銀行希望使用現(xiàn)有的數(shù)據(jù)建立一個模型，允許他們預測未來貸款申請人拖欠貸款的可能性。使用決策樹模型，您可分析這兩組客戶的特征，并預測不良客戶拖欠貸款的可能性。
構建流
本示例使用了名為 modelingintro.str的流，數(shù)據(jù)文件是 tree_credit.sav。（與示例一起使用的數(shù)據(jù)文件和樣本流安裝在產品安裝目錄下的 Demos 文件夾中。）
我們來看一下流：
在本例中，我們使用 CHAID 建模節(jié)點。CHAID，或卡方自動交互效應檢測，是一種通過使用稱作卡方統(tǒng)計量的特定統(tǒng)計類型識別決策樹中的最優(yōu)分割來構建決策樹的分類方法。
要構建流以創(chuàng)建模型，至少需要三個元素：
該流中還包含表節(jié)點和分析節(jié)點，當創(chuàng)建模型塊并將其添加到流以后，可使用這兩個節(jié)點查看評分結果以評估模型。
Statistics 文件源節(jié)點從 tree_credit.sav 數(shù)據(jù)文件讀取 SPSS Statistics 格式數(shù)據(jù)，該文件安裝在 Demos 文件夾中。（名為 $CLEO_DEMOS 的特殊變量用于引用安裝目錄位于 Demos 目錄下的文件。這樣，無論當前的安裝文件夾或版本是什么，均可以確保路徑有效。如在本例中可以寫作：$CLEO_DEMOS/tree_credit.sav，與圖中全路徑效果是一樣的。）
類型節(jié)點指定每個字段的測量級別。測量級別是一種指示字段中數(shù)據(jù)類型的類別。我們的源數(shù)據(jù)文件使用三種不同的測量級別：
連續(xù)字段（Continuous，例如年齡字段）包含連續(xù)的數(shù)字值，而名義字段（Nominal，例如信用評價字段）有兩個或多個不同值，如不良、優(yōu)良或無信用歷史。有序字段（Ordinal，例如收入水平字段）用于描述具有順序固定的不同值的數(shù)據(jù)，在本例中為低、中和高。
對于每個字段，類型節(jié)點還指定角色，以指示每個字段在建模中扮演的部分。字段信用評價（Credit rating）指示指定的客戶是否拖欠貸款，這是要預測的目標字段，將其角色設置為目標。對于其他字段，將角色設置為輸入。輸入字段也稱為預測變量，即建模算法用來預測目標字段值的字段。
CHAID建模節(jié)點生成模型。在建模節(jié)點的字段選項卡中，已選中使用預定義角色，這意味著將使用在類型節(jié)點中指定的目標字段和輸入字段。可以在此處更改字段角色，但在本例中不做任何更改。
單擊“構建選項”選項卡。
此處包含的選項可以用于指定要構建的模型類型。由于我們想要一個全新的模型，因此使用默認選項構建新模型。我們還要求它為單個標準決策樹模型，并且不使用任何增強，因此保留默認目標選項構建單個樹。還可以選擇啟動交互會話對模型進行手動的微調，本示例只使用默認設置來生成模型。
對于此示例，我們希望保持樹的結構簡單，因此通過增加用于父節(jié)點和子節(jié)點的最小記錄數(shù)限制樹的增長。
我們可以使用所有其他默認選項，然后單擊運行以創(chuàng)建模型。（或者，也可以右鍵單擊該節(jié)點然后選擇運行，或選擇節(jié)點并從工具主菜單中選擇運行。）
瀏覽模型
等一小段時間當流執(zhí)行完成后，模型塊將被添加到應用程序窗口右上角的模型選項板中，它還會被自動連接在流工作區(qū)中，并帶有指向創(chuàng)建它的建模節(jié)點的鏈接。要查看模型的詳細信息，右鍵單擊模型塊并選擇瀏覽（在模型選項板上）或編輯（在工作區(qū)上）。
對于 CHAID 模型塊，模型選項卡以規(guī)則集的形式顯示詳細信息，規(guī)則集實際上是可根據(jù)不同輸入字段的值將各個記錄分配給相應子節(jié)點的一組規(guī)則。
對于每個決策樹終端節(jié)點 -- 意味著那些樹節(jié)點沒有再進一步拆分 -- 返回優(yōu)良或不良的預測值。對于落在該節(jié)點內的記錄，所有個案中的預測均由模式或最常見的響應決定。
在規(guī)則集的右側，模型選項卡顯示預測變量重要性圖表，該圖表顯示評估模型時每個預測變量的相對重要性。通過這一點，我們看到收入水平 (Income level)在此個案中最顯著，而其他唯一顯著的因子是信用卡數(shù)量（Number of credit cards）。
模型塊中的查看器選項卡以樹的形式顯示相同的模型，每個決策點上都有一個節(jié)點?？墒褂霉ぞ邫谏系目s放控件放大特定節(jié)點，或縮小節(jié)點以查看更完整的樹。
查看樹的上部分，第一個節(jié)點（節(jié)點 0）為我們提供數(shù)據(jù)集中所有記錄的摘要。數(shù)據(jù)集中超過 40% 的個案分類為不良風險。這是相當高的比例，因此讓我們看看樹能否提示哪些因素起決定作用。我們可以看到第一個分割是根據(jù)收入水平產生的。收入水平位于低類別的記錄被指定到節(jié)點 2，可以看到此類別包含貸款拖欠的百分比最高 --82%。因此我們認為此類別的客戶都具有高風險。但是要注意的是，此類別中有 16% 客戶實際上沒有拖欠，因此說預測并非始終準確。事實上沒有模型能夠精確預測所有的結果，但好的模型能夠根據(jù)可用數(shù)據(jù)預測出最接近的結果。
同樣，如果我們查看高收入客戶（節(jié)點 1），我們看到絕大部分 (89%) 是優(yōu)良風險。但是在這個類別中 10 位客戶也有 1 位會拖欠。還能繼續(xù)精煉貸款標準以便將此處的風險最小化嗎？我們繼續(xù)看，接下來模型根據(jù)客戶持有的信用卡數(shù)量，將這些客戶分成兩個子類別（節(jié)點 4 和節(jié)點 5）。對于高收入客戶，如果我們只向那些信用卡少于 5 張的客戶貸款，則可以將我們的成功率從 89% 提高到 97%-- 很明顯是一個更滿意的結果。
回過頭來看看中等收入類別（節(jié)點 3）中的那些客戶是什么情況呢？他們更加均勻地劃分為優(yōu)良和不良評價。子類別（節(jié)點 6 和 7）這次仍然能幫助我們。如果只向那些信用卡少于 5 張的中等收入客戶貸款，可將優(yōu)良評價的百分比從 58% 提高到 85%-- 顯著的改進。
至此，我們了解到輸入此模型的每項記錄都將被分配到一個特定節(jié)點，并且根據(jù)該節(jié)點最常見的結果分配在優(yōu)良或不良中二選一的預測值。
為各個客戶記錄分配預測值的過程稱為評分 (Scoring)。因為我們已經知道原始記錄中每個客戶的情況，通過對這些原始記錄進行評分并與實際值相比較，可以評估該模型的準確度。讓我們看看如何做到這一點。
評估模型
要評估模型的準確度，需要對一些記錄（這里我們用原始記錄）進行評分，并將模型預測的結果與實際結果進行比較。
要查看分數(shù)或預測值，請將表節(jié)點連接到模型塊，雙擊表節(jié)點，然后單擊運行。
可以從表中看到，模型創(chuàng)建了一個名為 $R-Credit rating 的字段，用來顯示預測值。我們可以將這些值與原始信用評價字段進行比較。
在 SPSS Modeler 中，在評分過程中生成的字段的名稱基于目標字段，再加上標準前綴，例如 $R- 表示預測值，$RC- 表示置信度值。不同的模型類型使用不同的前綴集。置信度值（confidence value）是模型自己做的評估，尺度從 0.0 到 1.0，表示每個預測值的精確程度。
與預期的一樣，預測值與大多數(shù)（并非全部）記錄的實際值相匹配。原因是每個 CHAID 終端節(jié)點均包含混合值，而預期值與大部分結果相匹配，對于該節(jié)點中的其他結果，該預期值是錯誤的。（還記得節(jié)點 2 中 16% 的少部分低收入客戶其實是沒有拖欠的嗎？）若要避免出現(xiàn)此情況，可繼續(xù)將樹分割為更小的分支，直到每個節(jié)點都不含混合值 (100%) 為止—即全部為優(yōu)良或不良。但是，這樣的模型會非常復雜，并且不易推廣到其他數(shù)據(jù)集。
要查看具體有多少預測值正確，我們可通讀表格，并數(shù)一數(shù)預測字段 $R-Credit rating的值匹配信用評價的值的記錄數(shù)量。幸運的是，我們有更簡單的方式 -- 使用分析節(jié)點，它將幫助我們自動進行此項操作：將模型塊連接到分析節(jié)點，雙擊分析節(jié)點，然后單擊運行。
分析表明，2464 個記錄中有 1960 個記錄（約 80%）的模型預測值與實際值相匹配。
注意我們用來評分的記錄和評估模型的記錄是同一批數(shù)據(jù)。在真實情況中，可使用分區(qū)（partition）節(jié)點將數(shù)據(jù)分割為兩個樣本分別用于培訓模型和評估模型。通過使用一個樣本生成模型并使用另一個樣本對模型進行檢驗，您可更有意義地評估將模型推廣到其他數(shù)據(jù)集的情況。
這一階段我們通過分析節(jié)點可以針對已知道其實際結果的記錄來檢驗模型。下一階段將介紹如何使用模型對我們不知道結果的記錄進行評分。例如，當前不是銀行客戶但是可做為促銷對象的人群。
對記錄評分
現(xiàn)在，我們要查看如何對不同的記錄集進行評分。這是進行建模的目標：研究已知道結果的記錄，以找出模式可以讓您預測未知結果記錄的結果。
我們可以更新 Statistics 文件源節(jié)點使它指向其他數(shù)據(jù)文件，也可以添加一個新的源節(jié)點，用它讀取要評分的數(shù)據(jù)。無論采用哪種方式，新數(shù)據(jù)集必須包含建模所使用的所有輸入字段（年齡、收入水平、教育等），但不包含目標字段信用評價。運行表節(jié)點即可得到結果，我們就不在這里執(zhí)行了。
另外，也可以將模型塊添加到包含輸入字段的任何流中。無論數(shù)據(jù)源是文件還是數(shù)據(jù)庫，只要字段名和類型與模型使用的相匹配，源類型都無關緊要。還可以將模型塊保存為單獨的文件、或將模型導出為 PMML 格式以用于其他支持此格式的應用程序，或將模型存儲到 IBM SPSS Collaboration and Deployment Services 存儲庫中，這樣可以在企業(yè)范圍對模型進行部署、評分和管理。無論使用何種基礎結構，模型自身都按相同的方式工作。
摘要
本示例演示創(chuàng)建、評估模型以及對模型評分的基本步驟。
回頁首
自動建模
對客戶響應建模（自動分類器）
通過自動分類器（Auto Classifier node ）節(jié)點，您可以為標志字段（例如某個客戶是否很可能拖欠貸款或者是否會對特定的報價做出響應）或名義（集合）字段目標自動創(chuàng)建和比較多個不同模型。在本例中，我們將使用標志（是或否）字段。在一個相對簡單的流中，節(jié)點生成一組候選模型并對它們進行排序，選擇最有效的模型然后將它們合并為一個匯總（整體）模型。此方法將自動化操作的方便性與組合多個模型的優(yōu)勢融為一體，通常能產生單一模型所不能帶來的更為準確的預測。
本示例以某虛構的公司為例，該公司希望通過為每個客戶提供最合適的報價以獲取更豐厚的收益。此方法突出了自動操作的優(yōu)勢。我們使用安裝在 streams 目錄下 Demo 文件夾中的流 pm_binaryclassifier.str，所使用的數(shù)據(jù)文件為 pm_customer_train1.sav。
歷史數(shù)據(jù)
文件 pm_customer_train1.sav的歷史數(shù)據(jù)包含過去的營銷活動中為特定客戶提供的報價，由 campaign字段的值表示，其中值為 Premium account的記錄數(shù)最多。campaign 字段的值在數(shù)據(jù)中實際編碼為整數(shù)（例如 2 = Premium account）。稍后，您可為這些值定義標簽以產生更有意義的輸出。
此外，其中還有字段表示每位客戶的相關人口統(tǒng)計和財務信息。這些字段可用于構建或訓練一個模型，通過基于收入、年齡或每月交易次數(shù)等特征來預測單個用戶或用戶群的響應概率。
構建流
添加使用 pm_customer_train1.sav的 Statistics 文件源節(jié)點，該文件位于 SPSS Modeler 安裝程序的 Demos 文件夾中。（您可以在文件路徑中指定 $CLEO_DEMOS/ 作為引用此文件夾的快捷方式。請注意，路徑中必須使用正斜線而非反斜線，如圖所示。）
添加類型節(jié)點，然后選擇響應（response）作為目標字段（設置其角色為目標）。將此字段的測量設置為標志。
對于以下字段，將角色設置為無：customer_id、campaign、response_date、purchase、purchase_date、product_id、Rowid和 X_random。因為這些字段（如用戶 ID）對于構建模型其實是無意義的，把角色設置為無以后，構建模型時將自動忽略這些字段。
單擊類型節(jié)點的讀取值按鈕以確保值獲得實例化。
常見問題：當您在運行流的時候出現(xiàn)以下錯誤時，可以在類型節(jié)點中（流中沒有類型節(jié)點時請先手動添加一個）單擊讀取值然后再運行流:
我們的源數(shù)據(jù)包含四項不同活動的信息，每個活動針對不同類型的客戶。這些活動在數(shù)據(jù)中編碼為整數(shù)，為了方便記住每個整數(shù)所代表的帳戶類型，讓我們?yōu)槊總€整數(shù)都定義一個標簽。
在活動（campaign）字段的行上，單擊值列中的條目。從下拉列表選擇指定。
在標簽列中，鍵入活動字段四個值中每個值將顯示的標簽。單擊確定。
現(xiàn)在我們可在輸出窗口中顯示標簽而非僅僅是整數(shù)了。
盡管數(shù)據(jù)包含有關四項不同活動的信息，但每一次的分析應集中關注其中一項活動。由于 Premium account 活動（在數(shù)據(jù)中編碼為 campaign=2）中的記錄數(shù)最多，因此可以使用選擇節(jié)點實現(xiàn)僅在流中包含這些記錄。
生成和比較模型
附加一個自動分類器節(jié)點，然后選擇總體精確性作為對模型進行排序的度量。
將要使用的模型數(shù)設置為 3。這意味著在執(zhí)行節(jié)點時將只選擇三個最佳模型。
在專家選項卡上，可從最多 11 種不同模型算法中進行選擇。
取消選擇判別式和 SVM模型類型。（這些模型需要花費更多時間培訓這些數(shù)據(jù)，因此取消選中它們將可以加快示例的執(zhí)行速度。如果您不介意稍等一下，也可以保留它們的選中狀態(tài)。）由于在模型選項卡上將要使用的模型數(shù)設置為 3，因此節(jié)點將計算所選擇九個算法的準確性，然后選擇三個最準確的算法來構建一個模型塊。
在設置選項卡上，選擇整體方法為置信度加權投票。此選項將確定如何為每條記錄生成一個評分。
使用簡單投票方式時，若三個模型中有兩個模型均預測是，則是將以 2 比 1 的投票結果取勝。在使用置信度加權投票方式時，將基于各預測的置信度值進行加權投票。因此，如果一個預測否的模型的置信度比兩個預測是的模型合在一起的置信度還高的話，則否取勝。
單擊運行。
幾分鐘后（實際情況中，由于大型數(shù)據(jù)集往往需要創(chuàng)建數(shù)百個模型，這可能會花費數(shù)小時或更長的時間），構建生成的模型塊將放到工作區(qū)和窗口右上角的模型選項板中。您可瀏覽模型塊，或以多種其他方式將其保存或部署。
我們從工作區(qū)打開模型塊，它將列出在運行期間所創(chuàng)建的每個模型的詳細信息。如果需要進一步探索任何單獨的模型，可在模型列中雙擊此模型塊圖標，以瀏覽單獨模型結果，甚至可以用它們生成建模節(jié)點、模型塊或評估圖表。在圖形列中，可以雙擊縮略圖生成標準大小的圖形進行直觀的顯示。
默認情況下，模型會基于總體精確性排序，這是我們在自動分類器節(jié)點模型選項卡中選擇的度量。根據(jù)這一度量，C51 模型的精確性最高，但 C&R 樹和 CHAID 模型的精確性與之相差不大。您可以通過單擊其他列的標題對該列進行排序，或者也可以從工具欄的排序方式下拉列表中選擇所需的度量。
基于這些結果，我們決定使用所有三個最準確的模型。通過結合多個模型的預測，可以避免單個模型的局限性，從而使整體準確性更高。在是否使用列中，選擇 C51, C&R 樹和 CHAID 模型。
在模型塊后附加一個分析節(jié)點（位于下方輸出選項板）。右鍵單擊分析節(jié)點，然后選擇運行以運行流。
由整體模型生成的匯總得分將顯示在名為 $XF-response 的字段中。當根據(jù)訓練數(shù)據(jù)評分時，預測值與實際響應（如原始響應字段中的記錄所示）匹配的總體精確性為 92.82%。盡管這不如本例中三個模型的最高精確性高（C51 為 92.86%），但它們之間的差距小得可以忽略不計。一般來說，整體模型應用到訓練數(shù)據(jù)之外的數(shù)據(jù)集時，通常比單個模型效果更好。
摘要
綜上所述，我們使用自動分類器節(jié)點比較了多種不同的模型，然后使用三個最準確的模型并將它們作為一個整體自動分類器模型塊添加到流中。
回頁首
小結
本文從 IBM SPSS Modeler 基本概念開始詳細介紹其基本操作，通過典型的數(shù)據(jù)挖掘算法介紹使用 SPSS Modeler 進行數(shù)據(jù)挖掘的基本流程，以及 SPSS Modeler 強大的自動建模功能。
本文所展示的只是 SPSS Modeler 很基礎的一小部分使用。隨著用戶使用的加深，將會了解到 SPSS Modeler 更為強大的功能，如 ADP（自動數(shù)據(jù)準備）、數(shù)據(jù)庫建模等等。
參考資料
學習
獲得產品和技術
討論
