SPSS Modeler数据挖掘操作之分类回归树的基本应用示例
基于IBM SPSS Modeler 14.2的数据挖掘
基于IBM SPSS Modeler14.2的数据挖掘对某公司销售记录进行分析。
该公司在2012.7.13-2010.8.17进行了发放优惠劵活动，产生了1291条记录，9个字段，每个字段的意义如表1所示。
数据可以到下面地址下载：http://61.129.34.202/BIweb/eBay_business_case_v3.0.xlsx。
表1 记录中字段的意义字段名字段类型字段意义Cmpgn_name 标志活动名，均为Coupon campaign nameControl_yn 标志购买者类型: 控制:'c', 测试:'t'Redeemer_YN 标志是否为重复购买者: 是:'y', 否:'n'USER_ID 连续购买者IDGender 名义购买者性别: 女:'F',男:'M', 未知:'U'sge 连续购买者年龄, age=-99 意味着信息丢失CK_DATE 连续购买日期BUY_QTY 连续购买商品数量GMB 连续购买金额(美元)下面利用IBM SPSS Modeler 14.2进行决策树、聚类分析、关联分析和回归分析。
（1）决策树分析启动IBM SPSS Modeler 14.2，导入文件。
在工作平台上，添加一个Excel源节点。
双击该节点，文件类型设为“Excel 2007,2010（*.xlsx）”,导入文件为源Excel文件的路径，按名称DATA选择工作表，其他默认设置，如图15.87所示。
图15.87 导入文件查看源数据。
添加一个“表”节点，运行该表节点。
如图15.88所示，共有9个字段，1291条记录。
图15.88源数据下面首先利用C5.0算法进行决策树分析，探讨客户的年龄、性别、单次购买量、单次购买金额与购买者是否重复购物的关系。
添加“类型”节点。
在数据源节点后添加一个类型节点，把gender、age、BUY_QTY和GMB的角色设为数据流的输入，redeemer_yn的角色设为目标，其他的角色设为无，如图15.89所示。
SPSS Modeler数据挖掘 第四讲
确定每一步特征空间划分标准时，都同时兼顾由此将 形成的两个区域，希望划分形成的两个区域所包含的 样本点尽可能同时“纯正”
决策树算法概述：核心问题
第一，决策树的生长 利用训练样本集完成决策树的建立过程 第二，决策树的剪枝 利用测试样本集对所形成的决策树进行精简
决策树算法概述：树生长
P(u 2 | v1 ) P11 P21 P(u 2 | v2 ) P12 P22
C5.0算法：熵
先验不确定性：通信发生前，信宿对信源的状态具 有不确定性 后验不确定性：通信发生后，信宿收到发自信源的 信息，先验不确定性部分被消除，信宿对信源仍有 一定程度的不确定性 后验不确定性等于先验不确定性，表示信宿没有 收到信息； 后验不确定性等于零，表示信宿收到了全部信息 信息是用来消除随机不确定性的，信息量的大小 可由所消除的不确定性大小来计量
分类预测：决策树（一）
主要内容
决策树算法概述 从学习角度看，决策树属有指导学习算法 目标：用于分类和回归 C5.0算法及应用 分类回归树及应用 模型的对比分析
决策树算法概述：基本概念
得名其分析结论的展示方式类似一棵倒置的树
•根节点 •叶节点 •中间节点 •2叉树和多 叉树
决策树算法概述：特点
信息熵等于0，表示只存在唯一的信息发送可能， P(ui)=1，没有发送的不确定性； 如果信源的k个信号有相同的发送概率，P(ui)=1/k， 则信息发送的不确定性最大，信息熵达到最大 P(ui)差别小，信息熵大，平均不确定性大；反之
C5.0算法：信息增益
已知信号U的概率分布P(U)且收到信号V=vj，发出信 号的概率分布为P(U|vj)，信源的平均不确定性：
基于IBM-SPSS-Modeler-14.2的客户数据挖掘
基于IBM SPSS Modeler 14.2的客户数据挖掘IBM SPSS Modeler 14.2是一个从大量数据中挖掘有用模式的企业级数据分析平台，遵循跨行业数据挖掘流程标准（CRISP-DM）。
从数据源到数据建模，IBM SPSS Modeler 14.2提供了丰富的数据挖掘流程各个阶段需要的组件。
IBM SPSS Modeler 14.2包含数据获取、数据预处理、数据建模、评估和部署等一系列步骤，分析人员可通过拖放方式组合节点完成数据挖掘流程(以下简称数据流)。
IBM SPSS Modeler 14.2主界面如图 1 所示，包括流工作区、节点选项卡、管理器和IBM SPSS Modeler工程。
其中流工作区主要是用于创建数据流，用户可以把节点选项卡下的组件直接拖放到流工作区。
节点选项卡有多种节点：数据源、记录选项、字段选项、图形、建模、输出和导出等。
管理器主要用于管理输出和模型，用户可以对这些输出和模型进行打开、重命名、保存和删除等操作。
IBM SPSS Modeler工程允许用户以CRISP-DM模式管理数据流。
图1 IBM SPSS Modeler主界面IBM SPSS Modeler 14.2允许用户直接手动输入数据和把可变文件、Statistics文件、SAS文件、Excel和XML等多种数据导入，以供数据分析。
在导入数据后，需要对数据进行预处理。
IBM SPSS Modeler 14.2提供丰富的数据预处理组件，主要包括记录预处理和字段预处理。
其中在记录预处理中，提供了选择、抽样、汇总、排序、合并和追加等组件。
字段预处理包括类型、过滤、导出、分箱、字段重排、自动数据准备和分区等组件。
IBM SPSS Modeler 14.2提供了各种来自机器学习和统计学的建模方法，如分类、关联、聚类、序列和回归等模型。
本章应用IBM SPSS Modeler 14.2平台的几种常用数据挖掘算法，对客户交易的数据进行分析，获取客户管理有用的知识。
数据挖掘第19讲SPSSModeler分类课件
习方式
基于连
接方式
神经网络节点构成
W1
W2
加
法
器
激活函
数
神经网络激活函数
➢ 阀值函数（阶跃函数）
() =
1 (当v大于等于0时)
0 (当v小于0时)
➢ 分阶段函数
➢ Sigmoid函数（S型函数）
1
() =
1 − −
神经网络建立步骤
① 数据处理（去除变量间的量纲影响、分类型变量
案例背景
中国电信市场的用户通常都为刚需用户，不存
A
在用户不再使用电信业务。但各大运营商之间
却存在巨大的竞争，尤其是各家运营商之间的
很多服务几乎都是交叉重叠的服务，因此用户
D
ABCD
B
通常会由于某些原因离网转而使用其它运营商
的服务。为有效减少自家用户的流失，运营商
通常会基于自身的数据做一些分析来最大限度
否
是
阴天
凉爽
正常
是
是
阴天
凉爽
高
是
是
阴天
热
正常
否
是
下雨
凉爽
高
是
否
C5.0计算步骤
① 计算目标变量（是否打球）不确定性
I(是否打球)
② 计算各个输入变量的熵
E(是否打球|天气)、……、E(是否打球|是否有风)
③ 计算各个输入变量的信息增益
Gain(是否打球|天气)、 ……、 Gain(是否打球|是否有风)
14 14
14
计算步骤
Step 2：计算每个属性的信息增益（以天气为例）
天气
是否打球
=
“是”
是否打球
SPSS Modeler数据挖掘 第五讲
异质性下降指标：
Nl Nr R(t ) R(t ) R(t r ) R(t l ) N N
•从分组变量的众多取值中找到最佳分割点：同上
CART：剪枝算法
预修剪策略 决策树最大深度 父节点和子节点所包含的最少样本量或比例 树节点中输出变量的最小异质性减少量 后修剪策略 根据一定的规则，剪去决策树中的那些不具有 一般代表性的叶节点或子树 CART依次给出所有可能子树，从中挑选一棵 如何得到这些子树？挑选标准是什么？
效益评价：收益评价(单个节点)
响应%和收益%：意味追求高响应%吗？ 低响应%和低收益%的规则，不理想 例：甲壳虫人群100人，90人购买，10不购买
IF 年轻富婆 THNE 买 10人，响应%=100%(高)，收益%=10/90(低) 90人，响应%=70%(中低),收益%=63/90(高)
( s, t ) pl pr | p( j | tl ) p( j | tr ) | j
2
Ordered策略：适用于定序型输入变量，只 有两个连续的别类才可合并成超类
CART：生长算法(回归树)
异质性指标：方差
1 N R(t ) ( yi (t ) y (t ))2 N 1 i 1
效益评价：收益评价(单个节点)
收益：对具有某类特征的数据，输入和输出变量 取值规律的提炼的能力 针对用户关心的“目标”类别。例：流失 yes 收益评价指标 【收益:n】：节点中样本属目标类别的样本量 【响应(%)】：节点中样本属目标类别的样本 量占本节点样本的百分比（置信程度） 【收益(%)】：节点中样本属目标类别的样本 量占目标类别总样本的百分比（适用广泛性）
数据挖掘SPSSMODELER教程第二十课：回归与决策树增补
连续、分类、标志 、名义、有序
连续、分类、标志 、名义、有序
连续、分类、标志 、名义、有序
连续、分类、标志 、名义、有序
连续、分类、标 志、名义、有 序
分类、标志、名 义
连续、分类、标 志、名义、有 序
标志、名义、有 序
目标 数量
1
1
1
1
SPSS Modeler 数据挖掘项目
第二十课：回归与决策树增补回顾
回归分析
基本理解：常见分布、步进方法、交互效应、回归系数、标化、无量纲化、显著性、 置信水平、置信区间、修正R2、Z分数、T检验、F检验、条件数、VIF。。。。。。 迭代算法的理解（牛顿迭代、Fisher迭代、欧拉迭代、雅克比迭代。。。。）
代算法的理解；
标志、名义
、有序
COX
与时间相关；可以无输入，但必须选择一个时 连续、分类、
标志
1
间字段；
标志、名义
、有序
决策树
算法
特点
input output
C&R QUEST CHAID C5.0
二叉；离差；可先验；
二叉；卡方检验与方差检验；可 先验；
多叉；卡方检验；不可先验；
多叉；信息度量；不可先验；
模型 回归
特点 线性、变量独立、正态分布、方差齐性
input
连续
output
连续
目标 数量
1பைடு நூலகம்
Logistic 可作为建模基准； 线性 线性、变量独立、正态分布、方差齐性
连续、分类、 标志、名义
1
标志、名义
、有序
连续、分类、 连续
1
标志、名义
、有序
Genlin 灵活、适用性强；分布与链接函数的理解；迭 连续、分类、 连续、标志 1
数据挖掘-决策树-分类和回归树
– 将信息传输看做一种统计学现象，并且为通信 工程师提供一种方法，使用普通的二进制位流 确定通信信道的容量 —bit 。
4.2.2 信息论和信息熵
? 熵：
– 源于热力学概念； – 热力学熵（ S）：物理系统中不能用来做功的
能量的一种度量，也是系统无序性的一种度量； – 在构造决策树上的应用；
? 利用卡方自动交互检测法可以快速、有效 地挖掘出主要的影响因素，它不仅可以处 理非线性和高度相关的数据，而且可以将 缺失值考虑在内，能克服传统的参数检验 方法在这些方面的限制，结果的解释也简 单明了。
4.3.3 CHAID 算法
? 卡方自动交互检测法的分类过程是：
– 首先选定分类的反应变量；
– 然后用解释变量与反应变量进行交叉分类，产 生一系列二维分类表，分别计算二维分类表的 X2值,比较P 值的大小，以 P 值最小的二维表作 为最佳初始分类表，在最佳二维分类表的基础 上继续使用解释变量对反应变量进行分类；
? 决策树的主要作用是揭示数据中的结构化 信息。
4.1 引言
? 决策树算法用于树生长的策略，主要问题：
– 选择分类变量的标准； – 找到被选择的变量的分裂点的标准； – 确定何时停止树生长过程的标准。
? 本章所讨论的算法，他们主要差别是用来 处理上述问题1 ，2 的标准不同。
4.1 引言
? 如果目标变量（相应变量或类变量）是标 称/ 分类变量，称此树为分类树；
? 如果目标变量是连续的（收入），则称为 回归树。
4.2 构造分类树
? 4.2.1 用于标称属性的ID3 算法
– ID3 ：归纳决策树版本 3，是一种用来数据构 造决策树的递归过程；
– 我们试探性的选择一个属性放置在根节点，并 对这个属性的每个值产生一个分支；
SPSS Modeler 建立线性回归模型
Modeler 建立线性回归模型示例线性回归模型是一种常用的统计学模型。
IBM SPSS Modeler 是一个强大的数据挖掘分析工具，本文将介绍如何用它进行线性回归预测模型的建立和使用。
在本文中，将通过建立一个理赔欺诈检测模型的实例来展示如何利用IBM SPSS Modeler 建立线性回归预测模型以及如何解释及应用该模型。
回归分析（Regression Analysis）是一种统计学上对数据进行分析的方法，主要是希望探讨数据之间是否有一种特定关系。
线性回归分析是最常见的一种回归分析，它用线性函数来对因变量及自变量进行建模（自变量和因变量都必须是连续型变量），这种方式产生的模型称为线性模型。
线性回归模型由于其运算速度快、直观性强以及参数易于确定等特点，在实践中应用最为广泛，也是建立预测模型的重要手段之一。
IBM SPSS Modeler 是一组数据挖掘工具，通过这些工具可以采用商业技术快速建立预测性模型，并将其应用于商业活动，从而改进决策过程。
在后面的文章中，将通过一个理赔欺诈检测的实际商业应用来介绍如何用IBM SPSS Modeler 建立、分析及应用线性回归分析模型。
用线性回归建立理赔欺诈检测模型在本例中，用于建立模型的数据存放在InsClaim.dat 中，该文件是一个CSV 格式的数据文件，存储了某医院以往医疗保险理赔的历史记录。
该文件共有293 条记录，每条记录有 4 个字段，分别是ASG（疾病严重程度）、AGE（年龄）、LOS（住院天数）和CLAIM（索赔数额）。
图1 显示了该数据的部分内容。
图 1. 历史理赔数据文件任务与计划基于已有的数据，我们的任务主要有如下内容：∙建立理赔金额预测模型，该模型将基于病人的疾病严重程度、住院天数及年龄预测其索赔金额。
∙假设模型匹配良好，分析那些与预测误差较大的病人资料。
∙通过模型来进行索赔欺诈预测。
根据经验及对数据进行的初步分析（这个数据初步分析可以通过IBM SPSS Modeler 的功能实现，此处不是重点，故不做深入介绍），可以猜测理赔金额与疾病严重程度、住院天数以及年龄存在线性相关关系，因此我们将首先选用线性回归模型进行建模，因此可以得到下面这样一个初步计划：∙应用线性回归分析来建立模型。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
具体操作
3
将Telephone.sav数据源添加到数据流编辑窗口，并在该节点的【类型】选 项卡，完成读取数据。
选择【建模】选项卡中的【C&R树】节点，连接到数据源后面，如图所示
具体操作
4
右键单击【C&R树】节点，选择【编辑】选 项进行节点参数设置。
【 C&R树】节点的参数设置包括“字段”、 “构建选项”、“模型选项”和“注释”， 此处只介绍“构建选项”选项卡。
具体操作-【构建选项】选设置分类 回归树的主要参数，包括目标、基 本、停止规则、成本和先验、整体、 高级六类，如图所示
具体操作-【构建选项】选项卡设置
6
【目标】选项中指定决策树的建立模 式。
具体操作-【构建选项】选项卡设置
7
【基本】选项中设置分类回归树的与 修剪和后修剪的基本参数。
在【最大树状图深度】框中指定分类 回归树不包括根节点在内的最大数深 度
8
【停止规则】选项中设置分类回归树 与修剪的其他参数
9
在【成本和先验】选项卡中设置损失矩阵 和先验分布，通常先验分布可以使基于训 练样本的，也可以指定为等概论分布。
10
在【整体】选项卡中指定使用策略时建立 模型的个数，以及与测试应如何采纳个模 型的预测结果。
11
【高级】选项卡中设置分类回归树建立和 修剪过程的高级参数。
SPSS Modeler数据挖掘操作之
分类回归树的基本应用示例
版权说明
1
本文档操作案例选编自中国人民大学出版社《基于SPSS Modeler的数据挖掘》薛 薇编著，若作者对本资料持有异议，请及时与本网站联系，我们将第一时间妥善 处理。
数据说明
2
以虚拟的典型客户数据为例，讨论回归树的具体操作以及如何通过交互操作 控制决策树的生长和修剪过程