SAS数据挖掘实战指南：从基础到应用

SAS数据挖掘实战精简版 本书涵盖了SAS数据挖掘的基础知识和实战技巧，从数据挖掘概述到SAS数据挖掘基础、SAS数据管理、SAS关联规则挖掘、SAS聚类分析、SAS预测模型和SAS可视化技术等方面，对SAS数据挖掘的各个方面进行了详细的介绍和分析。 知识点： 1. 数据挖掘概述：数据挖掘的产生、数据挖掘概念、数据挖掘原理、数据挖掘应用等。 数据挖掘是指从大规模、复杂的数据中提取有用的信息，通过对数据的分析和挖掘，获取有价值的信息，以便于业务决策和科学研究。数据挖掘技术的发展是由于管理和计算机技术的发展，随着信息技术的迅猛发展，信息量也呈几何指数增长，如何从巨量、复杂的数据中获取有用的信息，成了信息技术研究领域的一道新课题。 2. SAS数据挖掘基础：SAS Enterprise Miner介绍、SAS EM挖掘过程、SAS EM结点介绍等。 SAS Enterprise Miner是一个功能强大的数据挖掘工具，提供了数据挖掘、数据预处理、数据分析和模型评估等功能。SAS EM挖掘过程包括数据准备、数据挖掘、模型评估和模型部署等步骤。SAS EM结点是SAS EM中的一个基本概念，表示一个数据挖掘过程中的一个步骤或操作。 3. SAS数据管理：数据读取、数据预处理、数据导出、SAS宏处理等。 SAS数据管理是指对数据的读取、预处理、导出和宏处理等操作。数据读取是指从不同的数据源中读取数据，例如数据库、文本文件等。数据预处理是指对数据进行清洁、转换、聚合等操作，以便于后续的数据挖掘。数据导出是指将数据导出到不同的格式，例如CSV、Excel等。SAS宏处理是指使用SAS语言编写的宏来自动化数据处理和分析。 4. SAS关联规则挖掘：关联规则、Apriori算法、SAS关联规则案例等。 关联规则是一种常用的数据挖掘技术，用于发现数据中的关联关系。Apriori算法是一种常用的关联规则挖掘算法，通过频繁项集的挖掘来发现关联关系。SAS关联规则案例是指使用SAS语言编写的关联规则挖掘脚本。 5. SAS聚类分析：聚类分析介绍、k-means算法、层次聚类算法、SAS聚类分析案例等。 聚类分析是指将相似的数据对象聚合到一起，以便于发现数据中的模式和规律。k-means算法是一种常用的聚类算法，通过迭代计算来确定聚类中心。层次聚类算法是一种常用的聚类算法，通过层次的方式来确定聚类中心。SAS聚类分析案例是指使用SAS语言编写的聚类分析脚本。 6. SAS预测模型：预测模型介绍、logistic回归、决策树、神经网络、SASEM数据挖掘-----预测模型等。 预测模型是指使用历史数据来预测未来结果的模型。logistic回归是一种常用的预测模型，用于预测二元分类结果。决策树是一种常用的预测模型，用于预测分类结果。神经网络是一种常用的预测模型，用于预测连续结果。SASEM数据挖掘-----预测模型是指使用SAS Enterprise Miner来构建预测模型。 7. SAS可视化技术：SAS gplot、SAS gchart等。 SAS可视化技术是指使用SAS语言编写的可视化脚本来展示数据的结果。SAS gplot是一种常用的可视化工具，用于展示二维图形。SAS gchart是一种常用的可视化工具，用于展示多维图形。