IBM SPSS Modeler数据与文本挖掘实战

《IBM SPSS Modeler数据与文本挖掘实战》是国内首本使用SPSS Modeler进行数据分析与挖掘的实战型著作；
通过15个行业应用案例，介绍Modeler在数据分析与挖掘领域中的应用，具有较强的实用性；
本书是作者在行业工作中的经验分享，因此所涉及到的案例具体很强的实用性，可以用来解决你工作中遇到的实际问题。

《IBM SPSS Modeler数据与文本挖掘实战》主要包括两部分内容：在数据挖掘部分，重点介绍了各种数据挖掘方法的基本原理及应用，包括回归分析、时间序列分析、因子分析、决策树分析、判别分析、聚类分析、人工神经网络、贝叶斯网络以及社交网络分析等；在文本挖掘部分，重点介绍了文本挖掘的节点，以及具体的实现过程。每一章都详细介绍了数据和文本挖掘的基本原理和分析过程，同时在实例中也介绍了SPSSModeler中大部分节点的使用方法及应用步骤。
《IBM SPSS Modeler数据与文本挖掘实战》与同类书籍相比，安排了较多的实例，使读者能够边学边练，在短时间内就可以有一个较大的提高，方便读者熟悉SPSSModeler的基本操作，并通过系统的案例使读者掌握应用技巧。
《IBM SPSS Modeler数据与文本挖掘实战》对于高校理工学科、经济金融学科及数量分析方面的学生，以及数据挖掘和分析方面的研究人员和从业人员等，具有很强的可读性、可操作性与可使用性，尤其适合商业销售、经济管理、社会研究和人文教育等行业的相关人员阅读。

第1部分 数据挖掘篇
第1章 数据挖掘概述
1.1 什么是数据挖掘
1.1.1 数据挖掘的定义
1.1.2 数据挖掘的发展阶段
1.1.3 数据挖掘的技术特征
1.2 与传统技术的比较
1.2.1 数据挖掘和统计分析
1.2.2 数据挖掘和数据仓库
1.2.3 数据挖掘和OLAP
1.2.4 数据挖掘和Web挖掘
1.3 常用的数据挖掘软件
1.3.1 SAS EM
1.3.2 SPSS Modeler
1.3.3 Intelligent Miner
1.4 应用实例：目标客户分析
1.4.1 研究方法
1.4.2 数据分析
1.4.3 研究结论

第2章 SPSS Modeler软件概述
2.1 软件简介
2.1.1 软件发展
2.1.2 软件界面
2.1.3 软件特点
2.1.4 软件功能
2.1.5 软件算法
2.1.6 高级功能
2.1.7 软件安装
2.2 行业应用
2.2.1 通信行业
2.2.2 政府行业
2.2.3 金融行业
2.2.4 制造行业
2.2.5 医药行业
2.2.6 教育科研
2.2.7 市场调研
2.2.8 连锁零售
2.3 数据挖掘流程
2.3.1 业务理解
2.3.2 数据理解
2.3.3 数据准备
2.3.4 建立模型
2.3.5 评估模型
2.3.6 应用模型
2.4 应用实例：药物效果研究
2.4.1 研究方法
2.4.2 数据分析
2.4.3 研究结论

第3章 SPSS Modeler基础操作
3.1 数据输入
3.1.1 数据库
3.1.2 可变文件
3.1.3 固定文件
3.1.4 SAS文件
3.1.5 Statistics文件
3.1.6 Excel文件
3.2 数据流操作
3.2.1 生成数据流
3.2.2 添加和删除节点
3.2.3 连接数据流
3.2.4 修改连接节点
3.2.5 执行数据流
3.3 图形制作
3.3.1 散点图
3.3.2 直方图
3.3.3 网络图
3.3.4 评估图
3.4 应用实例：产品销售预测
3.4.1 研究方法
3.4.2 数据分析
3.4.3 研究结论

第4章 回归分析
4.1 回归分析模型概述
4.1.1 模型定义
4.1.2 模型应用
4.1.3 建模步骤
4.1.4 注意事项
4.2 应用实例：客户流失因素分析
4.2.1 研究方法
4.2.2 数据分析
4.2.3 研究结论

第5章 时间序列
5.1 时间序列模型概述
5.1.1 模型定义
5.1.2 模型应用
5.1.3 建模步骤
5.2 应用实例：带宽利用率预测
5.2.1 研究方法
5.2.2 数据分析
5.2.3 研究结论

第6章 因子分析
6.1 因子分析模型概述
6.1.1 模型定义
6.1.2 模型应用
6.1.3 建模步骤
6.1.4 注意事项
6.2 应用实例：儿童玩具影响因子分析
6.2.1 研究方法
6.2.2 数据分析
6.2.3 研究结论

第7章 决策树
7.1 决策树模型概述
7.1.1 模型定义
7.1.2 模型应用
7.1.3 建模步骤
7.1.4 注意事项
7.2 应用实例：电信客户流失分析
7.2.1 研究方法
7.2.2 数据分析
7.2.3 研究结论

第8章 判别分析
8.1 判别分析模型概述
8.1.1 模型定义
8.1.2 模型应用
8.1.3 建模步骤
8.1.4 注意事项
8.2 应用实例：电信客户群判别分析
8.2.1 研究方法
8.2.2 数据分析
8.2.3 研究结论

第9章 聚类分析
9.1 聚类分析模型概述
9.1.1 模型定义
9.1.2 模型应用
9.1.3 建模步骤
9.1.4 注意事项
9.2 应用实例：药物效果聚类分析
9.2.1 研究方法
9.2.2 数据分析
9.2.3 研究结论

第10章 关联分析
10.1 关联分析模型概述
10.1.1 模型定义
10.1.2 模型应用
10.1.3 建模步骤
10.1.4 注意事项
10.2 应用实例：商品关联性分析
10.2.1 研究方法
10.2.2 数据分析
10.2.3 研究结论

第11章 人工神经网络
11.1 人工神经网络模型概述
11.1.1 模型定义
11.1.2 模型应用
11.1.3 建模步骤
11.1.4 注意事项
11.2 应用实例：客户流失预测分析
11.2.1 研究方法
11.2.2 数据分析
11.2.3 研究结论

第12章 贝叶斯网络
12.1 贝叶斯网络模型概述
12.1.1 模型定义
12.1.2 模型应用
12.1.3 建模步骤
12.1.4 注意事项
12.2 应用实例：贷款风险预测
12.2.1 研究方法
12.2.2 数据分析
12.2.3 研究结论

第13章 社交网络分析
13.1 社交网络分析模型概述
13.1.1 模型定义
13.1.2 模型应用
13.1.3 建模步骤
13.1.4 注意事项
13.2 应用实例：客户流失预警分析
13.2.1 研究方法
13.2.2 数据分析
13.2.3 研究结论

第2部分 文本挖掘篇
第14章 文本挖掘概述
14.1 什么是文本挖掘
14.2 文本挖掘的研究现状
14.3 文本挖掘软件简介
14.3.1 Intelligent Miner
14.3.2 北大方正智思

第15章 文本挖掘算法
15.1 特征选择文本分类算法
15.1.1 文本特征表示
15.1.2 文档预处理
15.1.3 文档特征选择
15.2 支持向量机文本分类算法
15.2.1 文档特征的表示
15.2.2 文本特征的提取
15.2.3 文档的相似度
15.2.4 支持向量机算法
15.3 朴素贝叶斯文本分类算法
15.3.1 贝叶斯公式
15.3.2 贝叶斯定理的应用
15.3.3 朴素贝叶斯分类器
15.3.4 朴素贝叶斯文本分类算法
15.4 KNN文本分类算法
15.4.1 KNN文本分类算法概述
15.4.2 基于统计的KNN文本分类算法
15.4.3 基于LSA降维的KNN文本分类算法

第16章 SPSS Modeler文本挖掘概述
16.1 Modeler软件中的文本挖掘理论
16.1.1 功能简介
16.1.2 文本挖掘节点
16.2 Modeler软件中的文本挖掘安装

第17章 SPSS Modeler文本挖掘节点
17.1 File List节点
17.1.1 节点简介
17.1.2 节点实例
17.2 Web Feed节点
17.2.1 节点简介
17.2.2 节点实例
17.3 Text Mining节点
17.3.1 节点简介
17.3.2 节点实例
17.4 Text Link Analysis节点
17.4.1 节点简介
17.4.2 节点实例
17.5 Translate节点
17.5.1 节点简介
17.5.2 节点实例
17.6 File Viewer节点
17.6.1 节点简介
17.6.2 节点实例

第18章 SPSS Modeler文本挖掘实例
18.1 实例：音乐调查数据的概念模型分析
18.2 实例：音乐调查数据的文本类别分析
附录A 配置SQL Server ODBC数据源

数据挖掘是一个逐步演进的过程，在电子数据处理的初期，人们就试图通过某些方法来实现自动决策支持，当时机器学习正成为人们关注的焦点，机器学习的过程就是将一些已知的并已被成功解决的问题作为范例输入计算机，相应的软件通过学习这些范例总结并生成相应的规则，通常这些规则具有通用性，使用它们可以快速解决某一类的实际问题。随着神经网络技术的形成和发展，人们将注意力转向知识工程，知识工程不同于机器学习（向计算机输入范例，让它生成规则），而是直接给计算机输入已被代码化的规则，计算机通过使用这些规则来解决某些问题。
上个世纪80年代人们又在新的神经网络理论的指导下，重新将注意力转回到机器学习的方法上，并将其成果应用于处理大型商业数据库。随着新术语——知识发现（简称KDD，即Knowledge Discovery in Database）逐渐被人们所接受，并用KDD来描述整个数据挖掘的过程，包括最开始的制定业务目标到最终的结果分析，利用数据挖掘（Data Mining）来描述使用挖掘算法进行数据挖掘的子过程，在这一过程中，数据挖掘工具的选择变得越来越重要。
IBM SPSS Modeler强大的数据挖掘功能将复杂的统计方法和机器学习技术应用到数据当中，帮助客户揭示了隐藏在交易系统、企业资源计划、结构数据库和普通文件中的模式和趋势，让客户始终站在行业发展的前端，IBM公司于2009年收购了SPSS数据分析软件公司，并将其和Clementine数据挖掘软件进行整合，且将Clementine更名为IBM SPSS Modeler，再次推向全球市场，本书介绍的是15.0版本，也是目前的最新版本。
作为一个数据挖掘平台，Modeler结合商业技术可以快速建立预测性模型，进而应用到商业活动中，帮助人们改进决策过程。同那些仅仅着重于模型的外在表现而忽略了数据挖掘在整个业务流程中应用价值的其他数据挖掘工具相比，Modeler功能强大的数据挖掘算法，使数据挖掘贯穿于业务流程的始终，在缩短投资回报周期的同时极大地提高了投资回报率。
编写特点
目前，市场上大多数的SPSS Modeler图书基本上还是按照较早版本的Clementine编写，而且大多是理论性的介绍，没有结合具体的案例进行深入分析。
本书与同类书籍相比，安排了较多的实例，并具有以下优势。
理论：解决案例所涉及的理论知识和算法，SPSS Modeler 作为数据挖掘的工具毕竟不是智能化的，需要了解工具的内在理论和逻辑，才能更有效地进行数据挖掘。
实例分析：使用数据挖掘理论对案例进行分析，找出解决问题的技术路线，帮助读者从解决问题的角度进行思考。
面向读者
本书由数据挖掘与分析研究人员编写，书中实例都具有很高的参考价值。本书对于高校理工学科、经济金融学科及数量分析方面的学生，以及数据挖掘和分析方面的研究人员和从业人员等，具有很强的可读性、可操作性与可使用性，尤其适合商业销售、经济管理、社会研究和人文教育等行业的相关人员阅读。
致谢
本书是编者近年来使用SPSSModeler的经验汇总与提炼，在写作过程中，得到了编者领导、同事、老师、同学以及朋友的帮助，借本书出版之际，向他们表示诚挚的感谢！
最后还要特别感谢清华大学出版社的支持，以及各位编辑热情细致的工作。由于作者水平有限，书中难免会出现不足和错误，敬请广大读者批评与指正。
作者
2014年9月于上海