商品描述
En este libro se tratan los modelos econométricos a través de técnicas de minería de datos, tanto predictivas como de clasificación, a través del siguiente contenido: MODELOS ECONOMÉTRICOS CON HERRAMIENTAS DE MINERÍA DE DATOS 1.1 TÉCNICAS DE MINERÍA DE DATOS 1.2 TÉCNICAS PREDICTIVAS PARA LA MODELIZACIÓN ECOMÉTRICA 1.3 TÉCNICAS PREDICTIVAS DE MODELIZACIÓN CON SAS ENTERPRISE MINER 1.3.1 El nodo Regresión: Modelo de regresión múltiple 1.3.2 El nodo Regresión: Modelo Lineal General GLM 1.3.3 El nodo Regresión: Modelos de elección discreta Logit y Probit 1.4 TÉCNICAS PREDICTIVAS DE MODELIZACIÓN CON SPSS CLEMENTINE 1.4.1 El nodo Regresión Lineal: Modelo de regresión múltiple 1.4.2 El nodo Regresión Logística: Modelos de elección discreta 1.5 ANÁLISIS CLUSTER CON ENTERPRISE MINER. EL NODO CLUSTERING 1.6 ÁRBOLES DE DECISIÓN CON ENTERPRISE MINER. EL NODO TREE 1.6.1 Entrenamiento interactivo (Interactive Training) 1.7 ANÁLISIS CLUSTER CON SPSS CLEMENTINE 1.7.1 El nodo Entrenar K-medias: Cluster no jeráquico 1.7.2 El nodo Cluster Bietápico: Cluster jerárquico 1.8 ÁRBOLES DE DECISIÓN CON SPSS CLEMENTINE 1.8.1 El nodo Crear C5.0 1.8.2 El nodo Árbol C&R 1.8.3 Interpretar un modelo MODELOS ECONOMÉTRICOS CON REDES NEURONALES 2.1 DESCRIPCIÓN DE LA RED NEURONAL 2.1.1 Definición 2.1.2 Función de salida y funciones de transferencia o activación 2.2 REDES NEURONALES Y AJUSTE DE MODELOS DE REGRESIÓN 2.3 APRENDIZAJE EN LAS REDES NEURONALES 2.4 FUNCIONAMIENTO DE UNA RED NEURONAL 2.5 EL ALGORITMO DE APRENDIZAJE RETROPROPAGACIÓN (BACK- PROPAGATION) 2.6 ANÁLISIS DISCRIMINANTE A TRAVÉS DEL PERCEPTRÓN 2.7 ANÁLISIS DE SERIES TEMPORALES MEDIANTE REDES NEURONALES 2.8 ANÁLISIS DE COMPONENTES PRINCIPALES CON REDES NEURONALES 2.9 CLUSTERING MEDIANTE REDES NEURONALES 2.10 REDES NEURONALES CON SAS ENTERPRISE MINER 2.10.1 Optimización y ajuste de modelos con redes: Nodo Neural Network 2.10.2 Predicción y análisis discriminante a través de redes neuronales: Nodo Two Stage Model 2.10.3 Análisis cluster con redes neuronales: Nodo SOM/Kohonen 2.11 REDES NEURONALES CON SPSS CLEMENTINE 2.11.1 Nodo Entrenar red 2.11.2 Nodo Entrenar Kohonen 2.11.3 Nodo Entrenar K-Medias Todo el desarrollo de ejercicios prácticos se realiza desde una óptica multisoftware, utilizándose los programas más actual del mercado en materia de Minería de Datos. En concreto se resuelven los ejercicios con IBM SPSS MODELER Y SAS ENTERPRISE MINER
商品描述(中文翻譯)
這本書介紹了使用數據挖掘技術進行經濟計量模型的預測和分類，內容如下：
使用數據挖掘工具的經濟計量模型
1.1 數據挖掘技術
1.2 經濟計量建模的預測技術
1.3 使用SAS Enterprise Miner進行建模的預測技術
1.3.1 回歸節點：多元回歸模型
1.3.2 回歸節點：一般線性模型(GLM)
1.3.3 回歸節點：Logit和Probit離散選擇模型
1.4 使用SPSS Clementine進行建模的預測技術
1.4.1 線性回歸節點：多元回歸模型
1.4.2 邏輯回歸節點：離散選擇模型
1.5 使用Enterprise Miner進行集群分析的節點
1.6 使用Enterprise Miner進行決策樹分析的節點
1.6.1 互動式訓練
1.7 使用SPSS Clementine進行集群分析的節點
1.7.1 訓練K-means節點：非階層集群
1.7.2 Bietapic集群節點：階層集群
1.8 使用SPSS Clementine進行決策樹分析的節點
1.8.1 創建C5.0節點
1.8.2 C&R樹節點
1.8.3 解釋模型
使用神經網絡的經濟計量模型
2.1 神經網絡描述
2.1.1 定義
2.1.2 輸出函數和轉移或激活函數
2.2 神經網絡和回歸模型擬合
2.3 神經網絡的學習
2.4 神經網絡的運作
2.5 反向傳播學習算法
2.6 通過感知器進行判別分析
2.7 通過神經網絡進行時間序列分析
2.8 通過神經網絡進行主成分分析
2.9 通過神經網絡進行集群分析
2.10 使用SAS Enterprise Miner的神經網絡
2.10.1 用於神經網絡優化和擬合的節點：神經網絡
2.10.2 通過神經網絡進行預測和判別分析的節點：兩階段模型
2.10.3 通過神經網絡進行集群分析的節點：SOM/Kohonen
2.11 使用SPSS Clementine的神經網絡
2.11.1 訓練神經網絡節點
2.11.2 訓練Kohonen節點
2.11.3 訓練K-Means節點
本書的實際練習是從多軟件的角度進行的，使用了市場上最新的數據挖掘工具。具體而言，使用IBM SPSS MODELER和SAS ENTERPRISE MINER解決了這些練習。
