数据挖掘具有广阔的应用领域和发展前景。SPSS Modeler因界面友好且操作简捷，成为公认的数据挖掘实战的首选软件。 
基于多年的教学和科研经验，作者深知数据挖掘理论和软件操作相结合的重要性，努力在本书中突出以下特点： 
 以数据挖掘过程为线索讲解Modeler软件操作。本书以数据挖掘实践过程为主线，从Modeler数据管理入手，说明问题由浅入深，讲解方法从易到难，旨在使读者在较短时间内掌握Modeler的基本功能和一般方法，并迅速运用到数据挖掘实战中。 
 数据挖掘理论的讲解通俗易懂，避免数学公式的罗列。本书对Modeler中的经典数据挖掘算法娓娓道来，旨在使读者知其然更知其所以然，加深对数据挖掘分析结论的理解和应用。 
 将数据挖掘方法、软件操作、案例分析有机结合。本书在论述数据挖掘方法核心思想和基本原理的同时，配合案例数据展示实战过程，旨在使读者直观理解理论，正确应用方法。 

 薛薇，工学硕士，经济学博士，中国人民大学应用统计科学研究中心副主任，中国人民大学统计学院副教授。关注数据挖掘及统计建模、统计和数据挖掘软件应用、统计数据库系统研发等方面。涉足网络新媒体舆论传播和互动建模、政府和官方微博分析、电商数据分析、学科学术热点跟踪等文本挖掘，以及社会网络分析和以数据挖掘为依托的客户关系管理等领域。

第1章数据挖掘和Modeler使用概述 
1.1数据挖掘的产生背景 
1.2什么是数据挖掘 
1.3Modeler软件概述 
第2章Modeler的数据读入和数据集成 
2.1变量类型 
2.2读入数据 
2.3生成实验方案 
2.4数据集成 
第3章Modeler的数据理解 
3.1变量说明 
3.2数据质量的评估和调整 
3.3数据的排序 
3.4数据的分类汇总 
第4章Modeler的数据准备 
4.1变量变换 
4.2变量派生 
4.3数据精简 
4.4数据筛选 
4.5数据准备的其他工作 
第5章Modeler的基本分析 
5.1数值型变量的基本分析 
5.2两分类型变量相关性的研究 
5.3两总体的均值比较 
5.4RFM分析 
第6章Modeler的数据精简 
6.1变量值的离散化处理 
6.2特征选择 
6.3因子分析 
第7章分类预测：Modeler的决策树 
7.1决策树算法概述 
7.2Modeler的C50算法及应用 
7.3Modeler的分类回归树及应用 
7.4Modeler的CHAID算法及应用 
7.5Modeler的QUEST算法及应用 
7.6模型的对比分析 
第8章分类预测：Modeler的人工神经网络 
8.1人工神经网络算法概述 
8.2Modeler的BP反向传播网络 
8.3Modeler的BP反向传播网络的应用 
8.4Modeler的径向基函数网络及应用 
第9章分类预测：Modeler的支持向量机 
9.1支持向量分类的基本思路 
9.2支持向量分类的基本原理 
9.3支持向量回归 
9.4支持向量机的应用 
第10章分类预测：Modeler的贝叶斯网络 
10.1贝叶斯方法基础 
10.2贝叶斯网络概述 
10.3TAN贝叶斯网络 
10.4马尔科夫毯网络 
10.5贝叶斯网络的应用 
第11章探索内部结构：Modeler的聚类分析 
11.1聚类分析的一般问题 
11.2Modeler的KMeans聚类及应用 
11.3Modeler的两步聚类及应用 
11.4Modeler的Kohonen网络聚类及应用 
11.5基于聚类分析的离群点探索 
第12章探索内部结构：Modeler的关联分析 
12.1简单关联规则及其有效性 
12.2Modeler的Apriori算法及应用 
12.3Modeler的序列关联及应用 
参考文献