這篇文章是從網上找到的，非常非常好，特別適合入門的人，裏面有實際的一個挖掘例子，非常實用。推薦給大家。
SPSS Clementine是Spss公司收購ISL獲得的數據挖掘工具。在Gartner的客戶數據挖掘工具評估中，僅有兩家廠商被列爲領導者：SAS和SPSS。SAS獲得了最高ability to execute評分，代表着SAS在市場執行、推廣、認知方面有最佳表現；而SPSS獲得了最高的completeness of vision，表明SPSS在技術創新方面遙遙領先。
客戶端基本界面
SPSS Clementine（在此簡稱clementine）在安裝好後會自動啓用服務，服務端的管理需要使用SPSS Predictive Enterprise Manager，在服務端clementine沒有複雜的管理工具，一般的數據挖掘人員通過客戶端完成所有工作。下面就是clementine客戶端的界面。
一看到上面這個界面，我相信只要是使用過SSIS+SSAS部署數據挖掘模型的，應該已經明白了六、七分。是否以躍躍欲試了呢，別急，精彩的還在後面 ^_’
項目區
顧名思義，是對項目的管理，提供了兩種視圖。其中CRISP-DM （Cross Industry Standard Process for Data Mining，數據挖掘跨行業標準流程）是由SPSS、DaimlerChrysler（戴姆勒克萊斯勒，汽車公司）、NCR（就是那個擁有Teradata的公司）共同提出的。Clementine裏通過組織CRISP-DM的六個步驟完成項目。在項目中可以加入流、節點、輸出、模型等。
工具欄
工具欄總包括了ETL、數據分析、挖掘模型工具，工具可以加入到數據流設計區中，跟SSIS中的數據流非常相似。Clementine中有6類工具。
源工具（Sources）
相當SSIS數據流中的源組件啦，clementine支持的數據源有數據庫、平面文件、Excel、維度數據、SAS數據、用戶輸入等。
記錄操作（Record Ops）和字段操作（Field Ops）
相當於SSIS數據流的轉換組件，Record Ops是對數據行轉換，Field Ops是對列轉換，有些類型SSIS的異步輸出轉換和同步輸出轉換（關於SSIS異步和同步輸出的概念，詳見拙作：http://www.cnblogs.com/esestt/archive/2007/06/03/769411.html）。
圖形（Graphs）
用於數據可視化分析。
輸出（Output）
Clementine的輸出不僅僅是ETL過程中的load過程，它的輸出包括了對數據的統計分析報告輸出。
※在ver 11，Output中的ETL數據目的工具被分到了Export的工具欄中。
模型（Model）
Clementine中包括了豐富的數據挖掘模型。
數據流設計區
這個沒什麼好說的，看圖就知道了，有向的箭頭指明瞭數據的流向。Clementine項目中可以有多個數據流設計區，就像在PhotoShop中可以同時開啓多個設計圖一樣。
比如說，我這裏有兩個數據流：Stream1和Stream2。通過在管理區的Streams欄中點擊切換不同的數量流。
管理區
管理區包括Streams、Outputs、Models三欄。Streams上面已經說過了，是管理數據流的。
Outputs
不要跟工具欄中的輸出搞混，這裏的Outputs是圖形、輸出這類工具產生的分析結果。例如，下面的數據源連接到矩陣、數據審查、直方圖工具，在執行數據流後，這個工具產生了三個輸出。在管理區的Outputs欄中雙擊這些輸出，可看到輸出的圖形或報表。
Models
經過訓練的模型會出現在這一欄中，這就像是真表（Truth Table）的概念那樣，訓練過的模型可以加入的數據流中用於預測和打分。另外，模型還可以導出爲支持PMML協議的XML文件，但是PMML沒有給定所有模型的規範，很多廠商都在PMML的基礎上對模型內容進行了擴展，Clementine除了可以導出擴展的SPSS SmartScore，還可以導出標準的PMML 3.1。
下面使用Adventure Works數據庫中的Target Mail作例子，通過建立分類樹和神經網絡模型，決策樹用來預測哪些人會響應促銷，神經網絡用來預測年收入。
Target Mail數據在SQL Server樣本數據庫AdventureWorksDW中的dbo.vTargetMail視圖，關於Target Mail詳見：
http://technet.microsoft.com/zh-cn/library/ms124623.aspx#DataMining
或者我之前的隨筆：
http://www.cnblogs.com/esestt/archive/2007/06/06/773705.html
1. 定義數據源
將一個Datebase源組件加入到數據流設計區，雙擊組件，設置數據源爲dbo.vTargetMail視圖。
在Types欄中點“Read Values”，會自動讀取數據個字段的Type、Values等信息。
Values是字段包含的值，比如在數據集中NumberCardsOwned字段的值是從0到4的數，HouseOwnerFlag只有1和0兩種值。Type是依據Values判斷字段的類型，Flag類型只包含兩種值，類似於boolean；Set是指包含有限個值，類似於enumeration；Ragnge是連續性數值，類似於float。通過了解字段的類型和值，我們可以確定哪些字段能用來作爲預測因子，像AddressLine、Phone、DateFirstPurchase等字段是無用的，因爲這些字段的值是無序和無意義的。
Direction表明字段的用法，“In”在SQL Server中叫做“Input”,“Out”在SQL Server中叫做“PredictOnly”,“Both”在SQL Server中叫做“Predict”，“Partition”用於對數據分組。
2. 理解數據
在建模之前，我們需要了解數據集中都有哪些字段，這些字段如何分佈，它們之間是否隱含着相關性等信息。只有瞭解這些信息後才能決定使用哪些字段，應用何種挖掘算法和算法參數。
在除了在建立數據源時Clementine能告訴我們值類型外，還能使用輸出和圖形組件對數據進行探索。
例如先將一個統計組件和一個條形圖組件拖入數據流設計區，跟數據源組件連在一起，配置好這些組件後，點上方綠色的箭頭。
等一會，然後這兩個組件就會輸出統計報告和條形圖，這些輸出會保存在管理區中（因爲條形圖是高級可視化組件，其輸出不會出現在管理區），以後只要在管理區雙擊輸出就可以看打開報告。
3. 準備數據
將之前的輸出和圖形工具從數據流涉及區中刪除。
將Field Ops中的Filter組件加入數據流，在Filter中可以去除不需要的字段。
我們只需要使用MaritalStatus、Gender、YearlyIncome、TatalChildren、NumberChildrenAtHome、EnglishEducation、EnglishOccupation、HouseOwnerFlag、NumberCarsOwned、CommuteDistance、Region、Age、BikeBuyer這些字段。
加入Sample組件做隨機抽樣，從源數據中抽取70%的數據作爲訓練集，剩下30%作爲檢驗集。
注意爲種子指定一個值，學過統計和計算機的應該知道只要種子不變，計算機產生的僞隨機序列是不變的。
因爲要使用兩個挖掘模型，模型的輸入和預測字段是不同的，需要加入兩個Type組件，將數據分流。
決策樹模型用於預測甚麼人會響應促銷而購買自行車，要將BikeBuyer字段作爲預測列。
神經網絡用於預測年收入，需要將YearlyIncome設置爲預測字段。
有時候用於預測的輸入字段太多，會耗費大量訓練時間，可以使用Feature Selection組件篩選對預測字段影響較大的字段。
從Modeling中將Feature Selection字段拖出來，連接到神經網絡模型的組件後面，然後點擊上方的Execute Selection。
Feature Selection模型訓練後在管理區出現模型，右擊模型，選Browse可查看模型內容。模型從12個字段中選出了11個字段，認爲這11個字段對年收入的影響比較大，所以我們只要用這11個字段作爲輸入列即可。
將模型從管理區拖入數據流設計區，替換原來的Feature Selection組件。
4. 建模
加入Nearal Net和CHAID模型組件，在CHAID組件設置中，將Mode項設爲”Launch interactive session”。然後點上方的綠色箭頭執行整個數據流。
Clementine在訓練CHAID樹時，會開啓交互式會話窗口，在交互會話中可以控制樹生長和對樹剪枝，避免過擬合。如果確定模型後點上方黃色的圖標。
完成後，在管理區又多了兩個模型。把它們拖入數據流設計區，開始評估模型。
5. 模型評估
修改抽樣組件，將Mode改成“Discard Sample”，意思是拋棄之前用於訓練模型的那70%數據，將剩下30%數據用於檢驗。注意種子不要更改。
我這裏只檢驗CHAID決策樹模型。將各種組件跟CHAID模型關聯。
執行後，得到提升圖、預測準確率表……
6. 部署模型
Export組件都可以使用Publish發佈數據流，這裏會產生兩個文件，一個是pim文件，一個是par文件。 
pim文件保存流的所有信息，par文件保存參數。有了這兩個文件就可以使用clemrun.exe來執行流，clemrun.exe是Clementine Solution Publisher的執行程序。Clementine Solution Publisher是需要單獨授權的。在SSIS中pim和par類似於一個dtsx文件，clemrun.exe就類似於dtexec.exe。
如果要在其他程序中使用模型，可以使用Clementine執行庫（CLEMRTL），相比起Microsoft的ole db for dm，SPSS的提供的API在開發上還不是很好用。
瞭解SPSS Clementine的基本應用後，再對比微軟的SSAS，各自的優缺點就非常明顯了。微軟的SSAS是Service Oriented的數據挖掘工具，微軟聯合SAS、Hyperion等公司定義了用於數據挖掘的web服務標準——XMLA，微軟還提供OLE DB for DM接口和MDX。所以SSAS的優勢是管理、部署、開發、應用耦合方便。
但SQL Server 2005使用Visual Studio 2005作爲客戶端開發工具，Visual Studio的SSAS項目只能作爲模型設計和部署工具而已，根本不能獨立實現完整的Crisp-DM流程。儘管MS Excel也可以作爲SSAS的客戶端實現數據挖掘，不過Excel顯然不是爲專業數據挖掘人員設計的。
PS：既然說到Visual Studio，我又忍不住要發牢騷。大家都知道Visual Studio Team System是一套非常棒的團隊開發工具，它爲團隊中不同的角色提供不同的開發模板，並且還有一個服務端組件，通過這套工具實現了團隊協作、項目管理、版本控制等功能。SQL Server 2005相比2000的變化之一就是將開發客戶端整合到了Visual Studio中，但是這種整合做得並不徹底。比如說，使用SSIS開發是往往要一個人完成一個獨立的包，比起DataStage基於角色提供了四種客戶端，VS很難實現元數據、項目管理、並行開發……；現在對比Clementine也是，Clementine最吸引人的地方就是其提供了強大的客戶端。當然，Visual Studio本身是很好的工具，只不過是微軟沒有好好利用而已，期望未來的SQL Server 2K8和Visual Studio 2K8能進一步改進。
所以我們不由得想到如果能在SPSS Clementine中實現Crisp-DM過程，但是將模型部署到SSAS就好了。
首先OLE DB for DM包括了Model_PMML結構行集，可以使用DMX語句“Create Mining Model From PMML ”將SPSS Clementine導出的PMML模型加入SSAS。
如果我記得沒錯的話，SQL Server 2005 最初發表版本中Analysis Services是PMML 2.1標準，而Clementine 11是PMML 3.1的，兩者的兼容性不知怎樣，我試着將一個PMML文件加入SSAS，結果提示錯誤。
另外，在SPSS Clementine中可以整合SSAS，通過使用SSAS的算法，將模型部署到SSAS。具體的做法是：
在SSAS實例中修改兩個屬性值。
在Clementine菜單欄選Tools -> Helper Applications。
然後啓用SSAS整合，需要選擇SSAS數據庫和SQL Server RMDBS，RMDBS是用來存儲臨時數據的，如果在Clementine的流中使用了SAS數據源，但SSAS不支持SAS數據文件，那麼Clementine需要將數據源存入臨時數據表中以便SSAS能夠使用。
啓用整合後，就可以在工具欄中看到多出了一類Datebase Modeling組件，這些都是SSAS的數據挖掘算法，接下來的就不用說了……
可惜的是SSAS企業版中就帶有9中算法，另外還有大量第三方的插件，但Clementine 11.0中只提供了7種SSAS挖掘模型。