chaid演算法

A. 窮舉chaid演算法和chaid演算法的區別

數據挖掘的核心是為數據建立模型的過程。所有的數據挖掘產品都有這個建模過程，不同的是它們構造模型的方式互不相同。進行數據挖掘時可採用許多不同的演算法。決策樹是一種經常要用到的技術，可以用於分析數據，同樣也可以用來作預測。

B. 什麼是KnowledgeSTUDIO

數據挖掘工具及其特點
KnowledgeSTUDIO
平台：NT , Windows 9X
功能：CHAID演算法，支持PMML，留有與SAS、S-Plus的介面，能夠靈活地導入外部模型和產生規則，包含神經網路建模的能力
優點：響應快，模型、文檔易於理解，決策樹分析直觀/性能良好，SDK中容易加入新的演算法
缺點：決策樹不能編輯列印，SDK缺乏數據預處理階段的函數，沒有示例代碼，不支持AIX

應用行業案例
1． Frost National銀行CRM收益率、客戶滿意度、產品功效
2． SASI公司利用SDK開發行業數據挖掘應用軟體（零售行業）
3． Montreal銀行客戶分片、越區銷售模型、市場站的准備、抵押支付的預測、信用風險的分析

C. 這個P值是怎麼用spss算出來的

卡方檢驗即可
卡方檢驗
你的數據應該用交叉列聯表做，數據錄入格式為：建立兩個變數，變數1是組別，
正常對照組用數據1表示，病例組用數據2表示；變數2是療效等分類變數，用1表示分類屬性1，用2表示分類屬性2，
還有一個變數3是權重，例數
數據錄入完成後，先加權頻數後點analyze-descriptive statistics-crosstabs-把變數1選到rows里
，把變數2選到column里，然後點擊下面的statistics，打開對話框，勾選chi-squares，
然後點continue，再點ok，出來結果的第3個表就是你要的卡方檢驗，第一行第一個數是卡方值，
後面是自由度，然後是P值。

D. 用spss進行主成分分析的結果怎麼看，說明什麼

KMO檢驗用於檢查變數間的偏相關性 一般認為該值大於0.9時效果最佳 0.7以上尚可，0.6時效果較差

Bartlett's球形檢驗用於檢驗相關陣是否是單位陣 P<0.01說明指標間並非獨立，取值是有關系的。可以進行因子分析

根據上圖 可以看出一共提取了3個主成分 可是能解釋的方差為69.958%

軟體默認的是提取特徵根大於1的主成分 如果加上第四個主成分的話可以解釋的變異度為86.26%
所以結合專業知識 可以考慮是不是增加一個主成分。

(4)chaid演算法擴展閱讀：

軟體模塊實際上就是將以前單獨發行的SPSS AnswerTree軟體整合進了SPSS平台。筆者幾年前在自己的網站上介紹SPSS 11的新功能時，曾經很尖銳地指出SPSS的產品線過於分散，應當把各種功能較單一的小軟體，如AnswerTree、Sample Power等整合到SPSS等幾個平台上去。

看來SPSS公司也意識到了這一點，而AnswerTree就是在此背景下第一個被徹底整合的產品。

Classification Tree模塊基於數據挖掘中發展起來的樹結構模型對分類變數或連續變數進行預測，可以方便、快速的對樣本進行細分，而不需要用戶有太多的統計專業知識。在市場細分和數據挖掘中有較廣泛的應用。

已知該模塊提供了CHAID、Exhaustive CHAID和C&RT三種演算法，在AnswerTree中提供的QUEST演算法尚不能肯定是否會被納入。

為了方便新老用戶的使用，Tree模塊在操作方式上不再使用AnswerTree中的向導方式，而是SPSS近兩年開始採用的互動式選項卡對話框。但是，整個選項卡界面的內容實際上是和原先的向導基本一致的，另外，模型的結果輸出仍然是AnswerTree中標準的樹形圖，這使得AnswerTree的老用戶基本上不需要專門的學習就能夠懂得如何使用該模塊。

由於樹結構模型的方法體系和傳統的統計方法完全不同，貿然引入可能會引起讀者統計方法體系的混亂。為此，本次編寫的高級教程並未介紹該模塊，而將在高級教程的下一個版本，以及關於市場細分問題的教材中對其加以詳細介紹。

E. 數據挖掘演算法有哪些

統計和可視化要想建立一個好的預言模型，你必須了解自己的數據。最基本的方法是計算各種統計變數（平均值、方差等）和察看數據的分布情況。你也可以用數據透視表察看多維數據。數據的種類可分為連續的，有一個用數字表示的值（比如銷售量）或離散的，分成一個個的類別（如紅、綠、藍）。離散數據可以進一步分為可排序的，數據間可以比較大小（如，高、中、低）和標稱的，不可排序（如郵政編碼）。圖形和可視化工具在數據准備階段尤其重要，它能讓你快速直觀的分析數據，而不是給你枯燥乏味的文本和數字。它不僅讓你看到整個森林，還允許你拉近每一棵樹來察看細節。在圖形模式下人們很容易找到數據中可能存在的模式、關系、異常等，直接看數字則很難。可視化工具的問題是模型可能有很多維或變數，但是我們只能在2維的屏幕或紙上展示它。比如，我們可能要看的是信用風險與年齡、性別、婚姻狀況、參加工作時間的關系。因此，可視化工具必須用比較巧妙的方法在兩維空間內展示n維空間的數據。雖然目前有了一些這樣的工具，但它們都要用戶「訓練」過他們的眼睛後才能理解圖中畫的到底是什麼東西。對於眼睛有色盲或空間感不強的人，在使用這些工具時可能會遇到困難。聚集（分群）聚集是把整個資料庫分成不同的群組。它的目的是要群與群之間差別很明顯，而同一個群之間的數據盡量相似。與分類不同（見後面的預測型數據挖掘），在開始聚集之前你不知道要把數據分成幾組，也不知道怎麼分（依照哪幾個變數）。因此在聚集之後要有一個對業務很熟悉的人來解釋這樣分群的意義。很多情況下一次聚集你得到的分群對你的業務來說可能並不好，這時你需要刪除或增加變數以影響分群的方式，經過幾次反復之後才能最終得到一個理想的結果。神經元網路和K-均值是比較常用的聚集演算法。不要把聚集與分類混淆起來。在分類之前，你已經知道要把數據分成哪幾類，每個類的性質是什麼，聚集則恰恰相反。關聯分析關聯分析是尋找資料庫中值的相關性。兩種常用的技術是關聯規則和序列模式。關聯規則是尋找在同一個事件中出現的不同項的相關性，比如在一次購買活動中所買不同商品的相關性。序列模式與此類似，他尋找的是事件之間時間上的相關性，如對股票漲跌的分析。關聯規則可記為A==>B，A稱為前提和左部（LHS），B稱為後續或右部（RHS）。如關聯規則「買錘子的人也會買釘子」，左部是「買錘子」，右部是「買釘子」。要計算包含某個特定項或幾個項的事務在資料庫中出現的概率只要在資料庫中直接統計即可。某一特定關聯（「錘子和釘子」）在資料庫中出現的頻率稱為支持度。比如在總共1000個事務中有15個事務同時包含了「錘子和釘子」，則此關聯的支持度為1.5%。非常低的支持度（比如1百萬個事務中只有一個）可能意味著此關聯不是很重要，或出現了錯誤數據（如，「男性和懷孕」）。要找到有意義的規則，我們還要考察規則中項及其組合出現的相對頻率。當已有A時，B發生的概率是多少？也即概率論中的條件概率。回到我們的例子，也就是問「當一個人已經買了錘子，那他有多大的可能也會買釘子？」這個條件概率在數據挖掘中也稱為可信度，計算方法是求百分比：（A與B同時出現的頻率）/（A出現的頻率）。讓我們用一個例子更詳細的解釋這些概念： 總交易筆數（事務數）：1,000包含「錘子」：50包含「釘子」：80包含「鉗子」：20包含「錘子」和「釘子」：15包含「鉗子」和「釘子」：10包含「錘子」和「鉗子」：10包含「錘子」、「鉗子」和「釘子」：5 則可以計算出： 「錘子和釘子」的支持度=1.5%（15/1,000）「錘子、釘子和鉗子」的支持度=0.5%（5/1,000）「錘子==>釘子」的可信度=30%（15/50）「釘子==>錘子」的可信度=19%（15/80）「錘子和釘子==>鉗子」的可信度=33%（5/15）「鉗子==>錘子和釘子」的可信度=25%（5/20）

F. 關於SPSS中chaid決策樹的問題

女郎買了香蕉，上公車後放後口袋，不時伸手往後抓。過了一陣，有位年青人拍拍她肩膀：小妹，請鬆手，我要下車了

G. SAS實現決策樹演算法CART、CHAID

建議用spss的clementine或者新版本的spss來做的

H. 決策樹chaid演算法 怎麼解釋結果

數據挖掘的核心是為數據建立模型的過程。所有的數據挖掘產品都有這個建模過程，不同的是它們構造模型的方式互不相同。進行數據挖掘時可採用許多不同的演算法。決策樹是一種經常要用到的技術，可以用於分析數據，同樣也可以用來作預測。