主流数据挖掘软件分析

《主流数据挖掘软件分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、IntelligentMiner:简单易用，是理解数据挖掘的好的开始。能处理大数据量的挖掘，功能一般。没有数据探索功能，与其他软件接口差，难以发布，结果美观，但不易理解。SASEnterpriseMiner:SAS完全以统计理论为基础，功能强大，有完备的数据探索功能。但难以掌握，要求高级统计分析专业人员，结果难以理解。价格极其昂贵。SPSSClementine:一个开放式数据挖掘工具、资料探勘工具。不但支持整个数据挖掘流程，还支持数据挖掘的行业标准--CRISP-DM。相对于SAS易于掌握，要求有一定的统计分析基础。缺点无中文支持。这个

2、是平分，其中spss其它很低时因为缺少中文支持！！中小型企业选择spss就可以了，界面友好，比较容易上手！数据挖掘工具UnicaSAS/EMInsightfulMinerIBMIMSPSS产品构成（功能模块）AffiniumModel响应（流失）模型、交叉销售模型、市场细分及客户描述、客户价值分析SASBase、SASGraph、SASEMS-PLUS，InsightfulMiner,无数据量限制，含有最丰富的算法库与统计分析函数库分类、分群、关联、相似序列、序列模式、预测Base、Clementine图形化界面YesYesYesYes

3、Yes菜单驱动YesNoYesNoNo托拽式操作YesYesYesYesYes数据挖掘模型（列举）神经网络、线性回归、Logist回归、后向传播神经元网络、CHAID、CART决策树、NaïveBayes、RFM、K－Mean等几百个模型和算法神经网络、决策树、传统统计技术、预测、时间序列、聚类方法、关联方法等神经网络、决策数神经网络、决策树、最邻近算法、预测、时间序列、聚类方法、logisticregression,coxregression等神经网络、决策数神经网络、决策树、最邻近算法、预测、时间序列、聚类方法、关联方法等共12类模

4、型：NeuralNet，C5.0，C&RTree，Kohonen，K-Means，TwoStep，Apriori，GRI，Sequence，PCA/Factor，Regression，Logistic灵活算法Yes能自动选择参与模型运算的变量NoNoNoNo具有多模型整合能力YesYesYesNoYes数据挖掘流程易于管理良良优一般中数据挖掘流程可再利用YesYesYesYesYes数据挖掘流程可充分共享YesNoYesYesYes提供模型评估方法YesYesYesYesYes挖掘结果可集成于其他应用Yes（能生成标准的C代码和SAS代

5、码）NoYesNoYes（但不能脱离SPSSClemnetine平台）最大数据处理量16000个变量、20亿条记录　无限制　不限挖掘过程监控YesYesYesYesYes异常处理YesYesYesYes差并行处理能力YesNoYesYesYes支持访问异构数据库YesYes（需单独购买）YesYes（需单独的模块支持）Yes提供二次开发接口函数YesNoYesYesYes扩展能力NoNoYes，S语言是个开放的开发平台NoNo挖掘结果转化为主流格式文件、图形的能力YesNoYes　Yes支持多层次分析人员Yes能支持业务分析人员、统计分

6、析人员、IT人员使用NoNoNoNo其他将数学建模过程自动化、支持多层次分析人员使用、对软件使用人员要求低、实施周期短、响应数据快、具有多种报表、易于理解分析结果。需具备较强的计算机、数据挖掘的理论和实践基础；每年需缴纳第一年软件许可费的50%的租费。可以购买永久使用权，需要较强的数据库与数据挖掘理论基础必须建立在DB2的基础上、分析结果解释困难需具备较强的计算机、数据挖掘的理论和实践基础