如何用clementine分析股票歷史數據導出公式怎麼寫

A. 我用spss clementine中的 Apriori做數據挖掘,怎麼得到的支持度和置信度值不對呢

spss clementine
的定義有問題，他的支持度其實是前向的出現概率
和統計定義不同，你選擇條件支持度
統計研究生專業數據分析

B. 數據挖掘工程師一般都做什麼

數據挖掘工程師是做什麼的？

數據挖掘，從字面上理解，就是在數據中找到有用的東西，哪些東西有用就要看具體的業務目標了。最簡單的就是統計應用了，比如電商數據，如淘寶統計過哪個省購買泳衣最多、哪個省的女生胸罩最大等，進一步，可以基於用戶的瀏覽、點擊、收藏、購買等行為推斷用戶的年齡、性別、購買能力、愛好等能表示一個人的畫像，就相當於用這些挖掘出來的屬性來刻畫一個人，這些還是最簡單的東西，更深層次的比如預測（股票預測），但是比較難。

數據挖掘往往與機器學習離不開。比如分類、聚類、關聯規則挖掘、個性化推薦、預測、神經網路、深度學習等。

數據挖掘 = 業務知識 + 自然語言處理技術（ NLP ） + 計算機視覺技術（ CV ） + 機器學習 / 深度學習（ ML/DL ）

（ 1 ）其中業務知識具體指的是個性化推薦，計算廣告，搜索，互聯網金融等； NLP ， CV 分別是處理文本，圖像視頻數據的領域技術，可以理解為是將非結構化數據提取轉換成結構化數據；最後的ml/dl 技術則是屬於模型學習理論；

（ 2 ）在選擇崗位時，各個公司都沒有一套標準的稱呼，但是所做的事情無非 2 個大方向，一種是主要鑽研某個領域的技術，比如自然語言處理工程師，計算機視覺工程師，機器學習工程師等；一種是將各種領域技術應用到業務場景中去解決業務需求，比如數據挖掘工程師，推薦系統工程師等；具體的稱呼不重要，重要的是平時的工作內容；

PS ：在互聯網行業，數據挖掘相關技術應用比較成功的主要是推薦以及計算廣告領域，而其中涉及到的數據主要也是文本，所以 NLP 技術相對來講比較重要，至於 CV 技術主要還是在人工智慧領域（無人車，人臉識別等）應用較多，本人了解有限，相關的描述會較少；

數據挖掘崗位需要具備的3 種基本能力

1. 工程能力

（ 1 ）編程基礎：需要掌握一大一小兩門語言，大的指 C++ 或者 Java ，小的指 Python 或者 shell 腳本；需要掌握基本的資料庫語言；

建議： MySQL + python + C++ ；語言只是一種工具，看看語法就好；

推薦書籍：《 C++ primer plus 》

（ 2 ）開發平台： Linux ；

建議：掌握常見的命令，掌握 Linux 下的源碼編譯原理；

推薦書籍：《 Linux 私房菜》

（ 3 ）數據結構與演算法分析基礎：掌握常見的數據結構以及操作（線性表，隊，列，字元串，樹，圖等），掌握常見的計算機演算法（排序演算法，查找演算法，動態規劃，遞歸等）；

建議：多敲代碼，多上 OJ 平台刷題；

推薦書籍：《大話數據結構》《劍指 offer 》

（ 4 ）海量數據處理平台： Hadoop （ mr 計算模型， java 開發）或者 Spark （ rdd 計算模型， scala開發），重點推薦後者；

建議：主要是會使用，有精力的話可以看看源碼了解集群調度機制之類的；

推薦書籍：《大數據 spark 企業級實戰》

2. 演算法能力

（ 1 ）數學基礎：概率論，數理統計，線性代數，隨機過程，最優化理論

建議：這些是必須要了解的，即使沒法做到基礎扎實，起碼也要掌握每門學科的理論體系，涉及到相應知識點時通過查閱資料可以做到無障礙理解；

（ 2 ）機器學習 / 深度學習：掌握 常見的機器學習模型（線性回歸，邏輯回歸， SVM ，感知機；決策樹，隨機森林， GBDT ， XGBoost ；貝葉斯， KNN ， K-means ， EM 等）；掌握常見的機器學習理論（過擬合問題，交叉驗證問題，模型選擇問題，模型融合問題等）；掌握常見的深度學習模型（ CNN ，RNN 等）；

建議：這里的掌握指的是能夠熟悉推導公式並能知道模型的適用場景；

推薦書籍：《統計學習方法》《機器學習》《機器學習實戰》《 UFLDL 》

（ 3 ）自然語言處理：掌握常見的方法（ tf-idf ， word2vec ， LDA ）；

3. 業務經驗

（ 1 ）了解推薦以及計算廣告相關知識；

推薦書籍：《推薦系統實踐》《計算廣告》

（ 2 ）通過參加數據挖掘競賽熟悉相關業務場景，常見的比賽有 Kaggle ，阿里天池， datacastle 等。

想要學習數據挖掘的話可以看一下這篇文章《AI時代就業指南：數據挖掘入門與求職》

C. 如何用SPSS和Clementine處理缺失值，離群值，極值

對於數據中出現的缺失值、離群值和極值，提供以下方法：
1、這些異常值可以全部刪除，只留下完整、正常的數據；
2、對於缺失值，可以使用已有數據的平均值代替，或者用NULL等符號表示
3、對於離群值，要看分析內容。如果分析目的是監測異常為主，則重點考慮此類離群值，可能存在漏稅、黑客攻擊、賴賬等問題。如果分析群體共性問題，則可以刪除；
4、對於極值，可要考慮其范圍；因為極值可能是准確的點，也有可能是異常點；

D. clementine時間序列怎麼分析

5.2 基本描述分析
基本描述分析是數據分析的基礎，通常對數值型變數進行描述分析，涉及數據的集中趨勢和離散程度。描述集中趨勢的描述性統計量一般有均值、中位數和眾數；描述離散程度的描述性統計量一般有方差、標准差和極差。
5.2.1 計算基本描述統計量
在流中添加「Statistics」節點，打開設置面板。在「檢查」中用戶可以選擇要進行統計的變數如下；然後在「統計量」中可以選擇可統計的描述性統計量有哪些；在「相關」中可以設置與哪些變數進行簡單相關分析（即求得Pearson簡單相關系數）。
Clementine數據基本分析（一）

在「相關設置」中可以設置相關分析的一些參數如下。
Clementine數據基本分析（一）
下圖為得到的相關分析及其它描述性統計分析的結果：
Clementine數據基本分析（一）
還可以生成符合要求的Filter。在Generate工具中，可以根據需要設置一定的相關性條件，然後生成Filter，這個功能很重要。
5.2.2 繪制散點圖
除了進行描述性統計分析外，還可以生成散點圖查看數據間的要關性，添加節點「Plot」並打開設置面板。「X欄位」中選擇X軸變數；「Y欄位」中選擇Y軸變數。Overlay為交疊欄位，你可以在Color、Size或Shape中選擇Overlay欄位即流失欄位，從而在散點圖中實現相應效果。
「面板」表示可以繪制多個不同散點圖反映Overlay變數；「動畫」表示以動畫方式顯示多張散點圖。
交疊欄位類型選項：
無：表示不擬合回歸直線；
平滑器（Smoother）：表示採用LOESS（Locally weighted iterative robust least squares regression)方法，擬合樣本數據的回歸線並顯示；
函數（Function）：表示自德輸入一個回歸議程，回歸線也顯示。
Clementine數據基本分析（一）

結果如下：
Clementine數據基本分析（一）

5.4 兩分類變數相關性的研究
兩分類變數的相關性研究在實踐中有廣泛應用。做DataMining，對數據的類型應該極為敏感，幾乎任何的統計分析或者數據挖掘，都要涉及這樣一個問題：是分類型變數還是數值型變數。同理，前面我們使用相關和回歸兩個思維來對數值型變數的相關性進行了探討，其中涉及到許多描述性統計量，既有描述數據集中趨勢的，也有描述數據離散程度的。也涉及到散點圖等圖形。下面，我們將涉足分類變數。分類變數中最有名的分析，莫過於列聯分析，但我們一開始並不介紹它。
一般分析分為圖形分析和數值分析，不止於兩分類變數
5.4.1兩分類變數相關性的圖形分析
一、條形圖
將「Distribution」節點添加到流上。Distribution提供了兩種輸入欄位的途徑。「選定欄位」選中，我們可以自定義哪些分類型欄位可以進入；「所有標志」選中，則前面「Type」節點中的所有分類型欄位都會進入分析。這里我們自定義「套餐類型」為我們的描述欄位，然後在交疊欄位中設置為「流失」。一般情況下，目標變數恆為交疊欄位。」按「比例尺」表示將把頻數最多的取值對應的條設置為最長，然後其它的條都會按比例設置，這樣能更加清晰地看到不同取值的頻數的差異；「按顏色標准化」，選中表示所有的條形都會被設置為相同長度，然後不同顏色比例表示目標變數取值不同時的情況，但「按顏色標准化」後，我們就不能比較不同取值下頻數的差異了。
Clementine數據基本分析（一）
Clementine數據基本分析（一）

二、Web圖
Web圖的力量在沈浩老師挖挖雙色球案例中得到充分的體現。Web圖為我們提供了兩種分類比較模型，一是計算兩兩分類變數間的相關性，一是計算多個分類變數對一個分類變數的相關性。將「Web」節點添加到流上，打開設置面板。
網路：選中表示系統將計算兩兩分類變數間的相關性，在下面會讓用戶自定義進行兩兩分析的欄位；
導向網路：選中表示系統將計算多個分類變數對一個分類變數的相關性，選中後會讓用戶自定義分析變數和目標變數；
僅顯示真值標志：選中表示僅顯示「流失」取值為「Yes」的網路，我們往往不進行這樣的選擇；
得到如下的結果圖。在結果圖中，系統在標尺上有默認的兩個邊界，如圖中為44和250，則表示Web圖中最細線表示有頻數44個，最粗線表示含頻數250個。得到的Web圖取值呈上下結構，其中下面的「Yes」和「No」是流失的兩個取值，而上面的四個點是套餐類型的四個取值。其中，線條粗細程度代表著相關性程度。
Clementine數據基本分析（一）
Clementine數據基本分析（一）

5.4.2
兩分類變數相關性的數值分析
一、計算兩分類變數的列聯表
以上我們通過兩種圖——Web圖和條形圖——對兩分類變數的相關性進行了圖形分析，除此之外，我們還可以對其進行數值分析。數值分析指的就是列聯分析及相應的卡方分析。這里，我們使用的兩分類變數仍然來自於電信客戶數據的兩個欄位：套餐類型與客戶是否流失。
將Output卡中的「Matrix」節點添加到流中，打開設置面板。Matrix為我們提供了幾種選擇欄位的方式。
Slected：選中表示自定義列聯表的行變數和列變數。我們在Rows中選擇「套餐類型」，在Columns中選擇「流失」。
All Flags：選中表示將對所有Flag型變數進行列聯表分析，生成多個列聯表。
Include Missing Values：選中表示即使取值為缺失值，也被列入相關的頻數內。列聯表分析的是多個分類變數間的相關性，統計的就自然是頻數了。如果想把含缺失值的樣本剔除出去，也可以通過Data Audit節點進行相關操作。
Cell Contents：Table-tabulations表示列聯表各單元格（Cell）中統計的是樣本的頻數，一般的列聯表都是進行頻數統計；Function表示列聯表各單元格為指定變數的分類描述統計量，應該地Field中指定相關變數，描述統計量也可以自定義選擇。
打開Appearance面板，我們簡要介紹一下其中的功能設置。
Highlight top：表示頻數最高的若干項數據以紅字顯示，具體的數額可以在後面設置；
Highlight bottom：表示頻數最低的若干項數據以顯示，具體的數額可以在後面設置；
Cross-tabulation cell contents:
Counts：表示顯示觀測頻數；Excepted Values：表示顯示期望頻數；Resials：表示顯示殘差；Percentage Of row:表示計算行百分比；Percentage of column：表示計算列百分比；Percentage Of Total：表示計算總百分比。注意這三個百分比的不同表示及不同意義。
Clementine數據基本分析（一）

Clementine數據基本分析（一）
二、行列變數的相關性分析
通過對以上數據的分析，我們知道套餐類型與客戶流失具有關聯性，那麼，這種關聯性是此數據的偶然結果呢，還是總體即有這種關聯性呢？從統計學上講，這種分類變數間的關聯性，是由於樣本抽取過程中的隨機誤差導致的呢，還是系統本身固有的屬性呢？
為此，我們需要對此關聯性做檢驗，這就涉及到我們要提到的卡方檢驗。卡方檢驗是統計學中經典假設檢驗的組成部分，由統計學之父卡爾·皮爾遜發明，被稱為20世紀最有革命性的十大發明之一。
卡方檢驗分四步：
1、提出零假設：這里的零假設是行變數與列變數獨立。
2、選擇和計算檢驗統計量，即Pearson卡方統計量，其數學公式這里不再提起。有關卡方檢驗的問題，我們會在後面的統計部分詳細展開，我們在這里需要提一下，卡方公式中涉及到列聯表的行數和列數，頻數的觀測值和期望值。
那麼，什麼是期望頻數（Expected Count）呢？期望頻數指的是行列變數互相不相關的情況下的頻數的均勻分布。求期望頻數的方法非常簡單，我們也將在後面有關統計學的部分中詳細提到，此處略去不計。
卡方統計量的大小與兩個因素有關。一題名聯表的單元格子數；二是觀測頻數與期望頻數間的總差值。當列聯表確定的時候，列聯表的格子數亦確定，此時卡方統計量只與預測頻數與期望頻數間的總差值有關。當預測頻數與期望頻數總差值越大時，卡方統計量越大，表明行列變數的相關性越強；當預測頻數與期望頻數總差值越小時，卡方統計量越小，表明行列變數的相關性越弱。
那麼，如果進一步描述此卡方統計量的意義呢？卡方統計量近似服從卡方分布，故我們決定用一定的自由度和一定的顯著性水平來框定卡方統計量的閾值。
第三步，確定顯著性水平和臨界值
顯著性水平一般取0.05或0.01；卡方統計量服從（行數-1）*（列數-1）個自由度的卡方分布。因此，在行列數目和顯著性水平確定的情況下，卡方臨界值是可唯一確定的。
第四步，結論和決策
這一部分理解起來有些艱難，但對統計學的學生來說相當簡單，即可以計算出相應卡方統計量的概率，如果小於顯著性水平則拒絕原假設；反之，則不能拒絕原假設。這是非常常用的一種方法，即通過概率的方法。當然你也可以通過臨界值的方法來做，即由行列數和顯著性水平確定唯一的臨界值，然後由軟體計算出卡方統計量，比較二者。如果卡方統計量大於臨界值，則行列變數有相關性；否則沒有相關性。

E. 比較好的數據分析軟體有哪些

數據分析軟體有很多。只要是滿足自己需求的都是最好的。大數據分析工具在數據收集、數據管理上也要有一些要求。


例如可以的可以提供高級的數據分析演算法以及數據模型的分析，不僅僅可以進行結構化數據的分析，也可以進行非結構化數據的分析，還有集成演算法和數據挖掘等功能，這些都是大數據分析工具必須要包含的一些功能。

不同的軟體提供商對於數據的演算法或者一些支持的方式也會有一些不同，企業也要考量哪些是最適合自己使用的，技術不是復雜越好。

這里我建議可以了解一下思邁特軟體Smartbi的數據分析軟體，思邁特軟體Smartbi大數據分析產品融合BI定義的所有階段，對接各種業務資料庫、數據倉庫和大數據分析平台，進行加工處理、分析挖掘和可視化展現。

滿足所有用戶的各種數據分析應用需求，如大數據分析、可視化分析、探索式分析、復雜報表、應用分享等等。


廣州思邁特軟體Smartbi有限公司致力於為客戶提供一站式商業智能BI解決方案，通過思邁特軟體Smartbi產品為客戶提供企業報表、數據可視化、自助分析、數據挖掘等成熟功能 。

F. 如何用 SPSS Clementine 12.0 進行關聯規則分析 求演示！在線等！急！

這個方法不是一言兩語能說清楚，首先要懂方法學原理，還要知道clementine的基本知識和結構圖

G. spss clementine中聚類分析之後怎麼輸出某一類的數據

你的意思是刪選出聚類4的？把其他1,2,3,5的過濾掉？