【上�！繑�(shù)據(jù)挖掘培訓(xùn)課堂_元旦開課！

相似文件 換一批

是 否 +2 論壇幣

k人 參與回答

經(jīng)管之家送您一份

應(yīng)屆畢業(yè)生專屬福利!

求職就業(yè)群

趙安豆老師微信：zhaoandou666

經(jīng)管之家聯(lián)合CDA

送您一個(gè)全額獎(jiǎng)學(xué)金名額~ !

立即領(lǐng)取

感謝您參與論壇問題回答

經(jīng)管之家送您兩個(gè)論壇幣！

+2 論壇幣

對數(shù)據(jù)挖掘情有獨(dú)鐘，一心想要學(xué)習(xí)精通；
用SAS？ R？ Python？不會(huì)不想不愿編碼腫么破？
幸運(yùn)的小編在11月13-16號參加了李御璽老師的數(shù)據(jù)挖掘課程！
李老師的課程有什么好？ 不用編碼，點(diǎn)點(diǎn)鼠標(biāo)，分分鐘搞定數(shù)據(jù)挖掘。
SPSS MODELER就是這樣，簡單的操作；干凈的界面；專業(yè)的數(shù)據(jù)挖掘軟件！
...
數(shù)據(jù)挖掘?qū)嵨锛癕ODELER應(yīng)用培訓(xùn)，并有十個(gè)案例（囊括各個(gè)行業(yè)）穿插在課程講解中，您值得擁有！

以下為小編聽了李老師的課程，并參照了《基于Clementine的數(shù)據(jù)挖掘》，將書上的一個(gè)小例子展現(xiàn)給大家

1.案例數(shù)據(jù)為一份關(guān)于藥物研究的數(shù)據(jù)�；加型�種疾病的不同病人，服用五種藥物中的一種（drugA、drugB...)后，都取得了同樣的治療效果；現(xiàn)在需要利用數(shù)據(jù)挖掘技術(shù)發(fā)現(xiàn)以往藥物處方適用的規(guī)律，對于不同特征（血壓、膽固醇、鈉鉀含量等）的病人給予更適合哪種藥物的建議。（數(shù)據(jù)在附件中）
                  
2.觀察各個(gè)變量的數(shù)據(jù)特征：可以看到MODELER對此計(jì)算除了最小值、最大值、均值、標(biāo)準(zhǔn)差、偏態(tài)系數(shù)等基本描述統(tǒng)計(jì)，同時(shí)還輸出了數(shù)值型變量的直方圖以及分類型變量的柱形圖。
                 
3.通過散點(diǎn)圖反應(yīng)服用不同藥物的病人鈉鉀含量指標(biāo)； 圖形顯示服用drugY的病人，其唾液中的K含量明顯低于其他類病人，由此可見，單純K含量較低的病人選用drugY比較理想。
               
4.通過直方圖反應(yīng)鈉鉀濃度指標(biāo)（Na/K)與服用對應(yīng)藥物的關(guān)系。圖形顯示，對于Na/K比值處在高水平的病人，drugY是理想的選擇。
            
5.通過網(wǎng)狀圖反映不同血壓特征病人的藥物選擇。圖中線條粗細(xì)反映病人的BP與選用drug的情況。可以看到，無論血壓狀況如何，都可以服用drugY。
            
6.通過建立模型C5.0，從年齡 性別 血壓 鈉鉀濃度指標(biāo)的綜合角度分析選擇不同藥物的依據(jù)。 根據(jù)圖形顯示，可以看出：Na/K比值是選擇藥物的首要考慮因素，其次是血壓、年齡、和膽固醇水平。其中性別對藥物選擇沒有影響。
           

學(xué)藝不精，各位見諒！

掃碼加我 拉你入群

請注明：姓名-公司-職位

以便審核進(jìn)群資格，未注明則拒絕

分享1 收藏11 回帖

關(guān)鍵詞：數(shù)據(jù)挖掘培訓(xùn) 挖掘培訓(xùn) 數(shù)據(jù)挖掘 SPSS Modeler clementine 挖掘培訓(xùn) 上海 課堂 課程 軟件

李御璽老師將于1月1-4號，在上海進(jìn)行為期4天的數(shù)據(jù)挖掘講座。具體信息請參照：http://xalimeijing.com/thread-3186035-1-1.html

案例1：
評估新車設(shè)計(jì)(汽車業(yè)），此案例將采用K最近鄰居(K Nearest Neighbor; KNN)來建模。
案例2：
電信客戶流失(電信業(yè))，此案例將采用二元羅吉斯回歸(Binomial Logistic Regression)來預(yù)測客戶的流失。
案例3：
藥物治療(醫(yī)療業(yè))，此案例將采用決策樹 C5.0(Decision Tree C5.0)
案例4：
預(yù)測貸款逾期者(銀行業(yè))，利用貝式網(wǎng)絡(luò)(Bayesian Network)來建模
案例5：
電信客戶分類(電信業(yè))，利用多元羅吉斯回歸(Multinomial Logistic Regression)
案例6：
細(xì)胞樣本分類(醫(yī)療業(yè))，利用支持向量機(jī)(Support Vector Machine)來建模
案例7：
零售業(yè)銷售促銷(零售業(yè))，利用神經(jīng)網(wǎng)絡(luò)及回歸樹(Neural Network & Regression Tree)來預(yù)測未來的銷售成效。
案例8：
預(yù)測帶寬使用率(通訊業(yè))，利用簡單的時(shí)間序列模型(Simple Time Series Model)來預(yù)測每個(gè)區(qū)域市場下三個(gè)月的帶寬使用量。
案例9：
預(yù)測型錄商品的銷售(零售業(yè))，利用兩個(gè)時(shí)間序列模型-指數(shù)平滑(Exponential Smoothing)和ARIMA
案例10：
購物籃分析(零售業(yè))，利用關(guān)聯(lián)模型(Apriori)和決策樹C5.0(Decision Tree C5.0)來發(fā)掘購買類似商品的客群，以及客群的特征(例如，年齡、收入、等)。

哇！，感謝分享！樓主，有一個(gè)疑問：第5圖是怎么看的？

學(xué)習(xí)學(xué)習(xí) 辛苦了[loveliness][loveliness]

好強(qiáng)大的樣子嘛

Oneday1 發(fā)表于 2014-11-7 08:59
哇！，感謝分享！樓主，有一個(gè)疑問：第5圖是怎么看的？

根據(jù)線的粗細(xì)表示藥物的適合程度，線越粗，越合適。

樓主真的好強(qiáng)強(qiáng)，我也要學(xué)習(xí)了，此時(shí)突然想說數(shù)據(jù)挖掘哪家強(qiáng)？