Excel 2007数据挖掘完全手册

第1篇 数据挖掘算法介绍

第1章 数据挖掘简介

1.1 数据挖掘的定义

1.2 数据挖掘的重要性

1.3 数据挖掘的功能

1.4 数据挖掘的步骤

1.5 数据挖掘建模的标准CRISP-DM

第2章 数据挖掘运用的理论和技术

2.1 回归分析

2.1.1 简单线性回归分析

2.1.2 多元回归分析

2.1.3 岭回归分析

2.1.4 Logistic回归分析

2.2 关联规则

2.3 聚类分析

2.4 判别分析

2.5 类神经网络分析

2.6 决策树分析

2.7 其他分析方法

第3章 数据挖掘与相关领域的关系

3.1 数据挖掘与统计分析的不同

3.2 数据挖掘与数据仓储的关系

3.3 知识发现与数据挖掘的关系

3.4 OLAP与数据挖掘的关系

3.5 数据挖掘与机器学习的关系

3.6 网络挖掘与数据挖掘的关系

第4章 数据挖掘商业软件产品及其应用现状

4.1 数据挖掘商业软件的分类

4.2 主要软件的介绍

4.3 顾客关系管理

4.4 数据挖掘的行业应用

第2篇 Excel 2007数据挖掘模块介绍

第5章 安装与设定Excel 2007数据挖掘加载项

5.1 系统需求

5.2 开始安装

5.3 完成安装验证

5.4 组件设定

5.5 配置完成检查

第6章 Excel 2007数据挖掘入门

6.1 Excel 2007数据挖掘功能介绍

6.2 数据挖掘使用说明

6.2.1 目录查询

6.2.2 开始功能

6.2.3 视频和教学

6.3 数据挖掘连接配置

6.3.1 设定目前的连接

6.3.2 跟踪

6.4 数据准备

6.4.1 浏览数据

6.4.2 清除数据

6.4.3 分割数据

6.5 数据建模

6.6 精确度和验证

6.6.1 准确性图表

6.6.2 分类矩阵

6.6.3 利润图

6.7 模型用法

6.7.1 浏览功能

6.7.2 查询功能

6.8 模型管理

6.8.1 重新命名挖掘模型

6.8.2 删除挖掘结构

6.8.3 清除挖掘结构

6.8.4 用原始数据处理挖掘结构

6.8.5 用新数据处理挖掘结构

6.8.6 导出挖掘结构

6.8.7 导入挖掘结构

第7章 决策树

7.1 基本概念

7.2 决策树模块的建立

7.3 决策树与判别函数比较

7.4 计算方法

7.4.1 确定预测精度的标准

7.4.2 选择分裂（分层）技术

7.4.3 定义停止分裂（分层）的时间点

7.4.4 选择适当大小的决策树

7.5 Excel 2007 决策树算法

第8章 贝叶斯概率分类

8.1 基本概念

8.2 Excel 2007贝叶斯概率分类

第9章 关联规则

9.1 基本概念

9.2 关联规则的种类

9.3 关联规则的算法：Apriori算法

9.4 Excel 2007关联规则

第10章 聚类分析

10.1 基本概念

10.2 层次聚类分析

10.3 聚类分析原理

10.4 Excel 2007聚类分析

第11章 时序聚类

11.1 基本概念

11.2 相关研究和算法

11.3 Excel 2007时序聚类

第12章 线性回归

12.1 基本概念

12.2 简单回归分析

12.3 多元回归分析

12.4 Excel 2007线性回归

第13章 Logistic回归

13.1 基本概念

13.2 logit变换

13.3 Logistic分布

13.4 列联表的Logistic回归模型

13.5 Excel 2007 Logistic回归

第14章 类神经网络

14.1 基本概念

14.2 类神经网络的架构与训练算法

14.3 类神经网络的特性

14.4 类神经网络应用

14.5 类神经网络优缺点

14.6 Excel 2007类神经网络

第15章 时间序列分析

15.1 基本概念

15.2 时间序列的成分

15.3 时间序列数据的图形介绍

15.4 利用平滑法预测

15.5 用趋势方程预测时间序列

15.6 预测含趋势与季节成分的时间序列

15.7 利用回归模型预测时间序列

15.8 其他预测模型

15.9 单变量时间序列预测模型

15.10 时间趋势预测模型

15.11 Excel 2007时间序列

第16章 DMX介绍

16.1 DMX介绍

16.2 DMX函数介绍

16.2.1 模型建立

16.2.2 模型训练

16.2.3 模型使用（预测）

16.2.4 其他函数语法

16.3 DMX数据挖掘语法

16.3.1 决策树

16.3.2 贝叶斯概率分类

16.3.3 关联规则

16.3.4 聚类分析

16.3.5 时序聚类

16.3.6 线性回归

16.3.7 Logistic回归

16.3.8 类神经网络

16.3.9 时间序列

16.4 DMX应用范例

16.4.1 分类

16.4.2 估计

16.4.3 预测

16.4.4 关联分组

16.4.5 聚类

第3篇 其他分析工具介绍

第17章 分析关键影响因素

第18章 检测类别

第19章 从示例填充

第20章 预测

第21章 突出显示异常值

第22章 应用场景分析

22.1 目标查找

22.2 假设

第23章 Visio 2007数据透视分析

第4篇 数据挖掘范例

第24章 上市公司投资价值分析的挖掘模型

24.1 研究动机与目的

24.2 挖掘模型的构建

24.3 变量筛选

24.4 决策树模型

24.5 贝叶斯概率模型

24.6 Logistic回归模型

24.7 预测准确度比较

第25章 信用卡用户信用评测的挖掘模型

25.1 研究背景

25.2 研究动机

25.3 研究目的

25.4 Excel 2007构建数据挖掘模型

25.4.1 决策树分析

25.4.2 聚类分析

25.4.3 Logistic回归

第26章 市场营销与客户细分的挖掘模型

26.1 研究动机与目的

26.2 研究方法与限制

26.3 数据分析

26.4 挖掘建模

26.4.1 决策树

26.4.2 单纯贝叶斯分类

26.4.3 聚类分析

26.4.4 决策树

26.4.5 Logistic回归

26.4.6 关联分析

26.5 结论

本书围绕Excel 2007的数据挖掘模块，通过大量操作示范，介绍了主流的数据挖掘方法。全书包括数据挖掘算法介绍、Excel 2007数据挖掘模块介绍、其他分析工具介绍、数据挖掘范例4篇，共26章。除了给出有关的理论和原理阐述之外，还提供了一些大型应用案例。通过详细的操作讲解和结果分析，读者可以获得实际的数据挖掘经验，并能迅速地在自己所处的领域中加以应用。 利用Excel 2007的数据挖掘模块，读者无须经过专业培训，就能完成多种数据挖掘任务。本书适用于学习数据挖掘和相关课程的学生、运用Excel 2007进行复杂大型数据分析的职场人士及咨询公司从业人员等。

关键词，数据挖掘，Exce·软件应用。
系统性：详细叙述数据挖掘的一般概念、通行规范、方法技术以及软件应用等，使读者获得一个较为清晰和正确的数据挖掘观念。
具体性：围绕Exce·2007的数据模块，Exce·2007 强大的表格工具详加详解，有助于读者在工作表中完成种种复杂的数据分析任务。
实用性：提供一些大型应用案例，通过详细的操作讲解和结果解释，可令读者获得实际的数据挖掘经验，从而能迅速加以应用。
丛书特色：
软件与职业应用相结合，实用性强；每章都有实践案例，可直接借鉴，用于具体的实践工作之中以“基本知识点讲解——实践应用——常用问题解答”的逻辑结构编写，便于学习。
丛书定位：
适合作为行政办公、财务、统计、审计等领域在职工作人员提高自身业务水平的参考用书。
适合作为高校财务或经济管理等相关专业的教材或学习用书
适合作为各相关领域应用培训或职业的教学用书。