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)
在本書中，將透過資料挖掘技術，探討經濟計量模型，包括預測性和分類性技術，內容如下：
經濟計量模型與資料挖掘工具
1.1 資料挖掘技術
1.2 用於經濟計量建模的預測性技術
1.3 使用 SAS Enterprise Miner 的預測性建模技術
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：離散選擇模型 Logit 和 Probit
1.4 使用 SPSS Clementine 的預測性建模技術
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 的聚類分析。聚類節點
1.6 使用 Enterprise Miner 的決策樹。樹節點
1.6.1 互動訓練 (Interactive Training)
1.7 使用 SPSS Clementine 的聚類分析
1.7.1 訓練 K-均值節點：非階層聚類
1.7.2 雙階段聚類節點：階層聚類
1.8 使用 SPSS Clementine 的決策樹
1.8.1 創建 C5.0 節點
1.8.2 C&R 樹節點
1.8.3 解釋模型
經濟計量模型與神經網絡
2.1 神經網絡描述
2.1.1 定義
2.1.2 輸出函數和轉換或激活函數
2.2 神經網絡與回歸模型的調整
2.3 神經網絡中的學習
2.4 神經網絡的運作
2.5 反向傳播學習算法 (Back-Propagation)
2.6 通過感知器的判別分析
2.7 通過神經網絡的時間序列分析
2.8 使用神經網絡的主成分分析
2.9 通過神經網絡的聚類
2.10 使用 SAS Enterprise Miner 的神經網絡
2.10.1 使用神經網絡的模型優化與調整：神經網絡節點
2.10.2 通過神經網絡的預測與判別分析：雙階段模型節點
2.10.3 使用神經網絡的聚類分析：SOM/Kohonen 節點
2.11 使用 SPSS Clementine 的神經網絡
2.11.1 訓練網絡節點
2.11.2 訓練 Kohonen 節點
2.11.3 訓練 K-均值節點
所有實作練習的開發均從多軟體的角度進行，使用市場上最新的資料挖掘軟體。具體而言，使用 IBM SPSS Modeler 和 SAS Enterprise Miner 解決練習。
