[工程科技]Clementine快速上手修正过简单版.doc

d Clementine快速上手 （修正过） 一、Clementine数据挖掘的基本思想 数据挖掘（Data Mining）是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取 隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程，它是一种深层次的数据分 析方法。随着科技的发展，数据挖掘不再只依赖在线分析等传统的分析方法。 它结合了人工智能（AI）和统计分析的长处，利用人工智能技术和统计的应用程序，并把这些高深复 杂的技术封装起来，使人们不用自己掌握这些技术也能完成同样的功能，并且更专注于自己所要解决 的问题。 Clementine为我们提供了大量的人工智能、统计分析的模型（神经网络，关联分析，聚类分析、因子分析等），并用基于图形化的界面为我们认识、了解、熟悉这个软件提供了方便。除了这些Clementine还拥有优良的数据挖掘设计思想，正是因为有了这个工作思想，我们每一步的工作也变得很清晰。（如 图一所示） 如图可知，CRISP-DM Model包含了六个步骤，并用箭头指示了步骤间的执行顺序。这些顺序并不 严格，用户可以根据实际的需要反向执行某个步骤，也可以跳过某些步骤不予执行。通过对这些步骤 的执行，我们也涵盖了数据挖掘的关键部分。 商业理解(Business understanding)：商业理解阶段应算是数据挖掘中最重要的一个部分，在这个阶段里我们需要明确商业目标、评估商业环境、确定挖掘目标以及产生一个项目计划。 数据理解(Data understanding)：数据是我们挖掘过程的“原材料”，在数据理解过程中我们要知道都有些什么数据，这些数据的特征是什么，可以通过对数据的描述性分析得到数据的特点。 数据准备(Date preparation)：在数据准备阶段我们需要对数据作出选择、清洗、重建、合并等工 作。选出要进行分析的数据，并对不符合模型输入要求的数据进行规范化操作。 建模(Modeling)：建模过程也是数据挖掘中一个比较重要的过程。我们需要根据分析目的选出适 合的模型工具，通过样本建立模型并对模型进行评估。 模型评估(Evaluation)：并不是每一次建模都能与我们的目的吻合，评价阶段旨在对建模结果进行评估，对效果较差的结果我们需要分析原因，有时还需要返回前面的步骤对挖掘过程重新定义。 结果部署(Deployment)：这个阶段是用建立的模型去解决实际中遇到的问题，它还包括了监督、维持、 产生最终报表、重新评估模型等过程。 二、Clementine的基本操作方法 1.操作界面的介绍 1.1数据流程区 Clementine在进行数据挖掘时是基于数据流程形式，从读入数据到最后的结果显示都是由流程图 的形式显示在数据流程区内。数据的流向通过箭头表示，每一个结点都定义了对数据的不同操作，将 各种操作组合在一起便形成了一条通向目标的路径。数据流程区是整个操作界面中最大的部分，整个 建模过程以及对模型的操作都将在这个区域内执行。我们可以通过文件(File）－新建流(new stream)新建一个空白的数据流，也可以打开已有的数据流。所有在一个运行期内打开的数据流都将保 存在管理器的Stream栏下。 1.2选项面板 选项面板横跨于Clementine操作界面的下部，它被分为收藏夹（Favorites）、数据源（Sources）、 记录选项（Record Ops）、字段选项（Fields Ops）、图形（Graphs）、建模（Modeling）、输出 （Output）、导出八个栏，其中每个栏目包含了具有相关功能的结点。结点是数据流的基本组成部 分，每一个结点拥有不同的数据处理功能。设置不同的栏是为了将不同功能的结点分组，下面我们 介绍各个栏的作用。 数据源(Sources)：该栏包含了能读入数据到Clementine的结点。例如Var. File结点读取自由格式 的文本文件到Clementine，SPSS File读取spss文件到Clementine。 记录选项(Record Ops)：该栏包含的结点能对数据记录进行操作。例如筛选出满足条件的记录 （select）、将来自不同数据源的数据合并在一起（merge）、向数据文件中添加记录(append)等。 字段选项(Field Ops)：该栏包含了能对字段进行操作的结点。例如过滤字段（filter）能让被过 滤的字段不作为模型的输入、导出（derive）结点能根据用户定义生成新的字段，同时我们还可以定义 字段的数据格式。 图形(Graphs)：该栏包含了众多的图形结点，这些结点用于在建模前或建模后将数据由图形形式 输出。 建模(Modeling)：该栏包含了各种已封装好的模型，例如神经网络（Neural Net）、决策树（C5.0） 等。这些模型能