|
|
IBM SPSS Categories通过感知、制图、最优尺度和降维方法释放数据的全部潜力。
它对贵公司有何用途 IBM SPSS Categories 使您能够直观地了解并探索数据中的关系，并根据您的发现预测结果。该产品使用分类回归过程，根据数字及有序或无序分类预测变量的组合，预测名义变量、顺序变量或数字结果变量的值。该软件使用诸如预测分析、统计学习、感知图和优先尺度之类的先进技术。 解释您的多变量数据 使用多种方法，更轻松地分析和解释多变量数据及其关系。您不会再受到分类数据或高维数据的限制。 查看底层关系 使用感知图、双标图和三标图了解底层关联 使用名目数据和有序数据 通过使用类似于传统回归、主成分组件和典型相关的过程来预测结果并揭示关系，从而更深入地了解两种数据类型。 直观地解释数据集 了解大型的分数表、计数表、等级表、排名表或相似性表中行与列之间的关系。 清晰地呈现您的结果 摆脱笨拙的表格，使用启发性的感知图和双标图，清晰地呈现数据中的关系。 新增规则化方法 使用 Ridge 回归、Lasso 和 Elastic Net 稳定参数估计，从而提高预测准确性。 主要功能
功能聚焦 分析类别间的差异 使用对应分析更轻松地呈现和分析类别间的差异。 纳入补充信息 轻松纳入有关其他变量的补充信息。 发现关联和关系 例如，使用对称标准化生成双标图，以便您更清楚地查看关联。 轻松使用分类数据 得益于工具的使用，您能够更完整地分析和解释多变量数据及其关系。例如，了解具有哪些特征的消费者与您的产品或品牌关系最密切，或者确定与您或竞争对手提供的其他产品相比，客户对您产品的认知情况。 使用分类回归过程 根据数字及有序或无序分类预测变量的组合，预测名义变量、顺序变量或数字结果变量的值。使用最优尺度回归过程来描述有关情况，例如，如何根据工作类别、地理区域和出差天数预测工作满意度。 利用最优尺度 量化变量，以便实现 Multiple R 最大化。当残差为非正态或当预测变量与结果变量并非线性相关时，可以对数字变量应用最优尺度。Ridge 回归、Lasso 和 Elastic Net 等规则化方法可通过稳定参数估计来提高预测准确性。 使用感知图清晰地呈现您的结果 使用降维方法查看数据中的关系。摘要图表显示相似变量或类别，使您了解两个以上变量间的关系。 获取这些最优尺度和降维方法 方法包括对应分析 (CORRESPONDENCE)、分类回归 (CATREG)、多个对应分析 (MULTIPLE CORRESPONDENCE)、CATPCA、非线性典型相关 (OVERALS)、 近似尺度 (PROXSCAL) 和优先尺度 (PREFSCAL)。 相关下载
在线留言尊敬的客户朋友，如您有任何意见建议，请通过下表反馈给我们，我们会尽快与您联系。
|
|
|
|||||||||||||||||||||||||||||
400-621-1085
