做问卷、做用户调研、做市场分析的人，早晚会撞上同一堵墙：因变量不是连续的数字，而是「会不会买」「选A还是选B」「留存还是流失」这类分类结果。这时候再拿线性回归硬套，出来的预测值可能是 0.37 个类别，解释起来自己都心虚。这门课要补的，就是这个缺口。

先搞清楚：什么时候该用类别预测，而不是回归

课程从问题类型切进去，而不是从菜单路径切进去。判断标准其实就一条：你关心的结果是不是「类别」而不是「多少」。是类别，就用 Logistic 回归、判别分析、决策树这一套；是连续量，才轮到线性回归。

这里最容易踩的坑是把二分类和多分类混为一谈。二分类的 Logistic 回归输出的是一个概率，解释的是「发生比」；多分类则要面对参照类怎么选、系数怎么读的问题。课程把这个分岔口讲清楚了，后面才不会乱。

SPSS 里真正要动手的几块

光知道原理没用，SPSS 的对话框里全是需要拍板的地方。这门课重点落在几件事上：

  • 二元 Logistic 回归的变量进入方式——是全部塞进去，还是分块看增量解释力；
  • 分类变量的哑变量处理，参照类别选错，系数符号会反过来；
  • 判别分析与 Logistic 的取舍，样本量小、正态性假设满足时判别分析未必更差；
  • 决策树在 SPSS 里的生长与剪枝参数，树太深就是过拟合的另一种写法；
  • 模型好不好用，看的是分类表、敏感度与特异度，不是只看一个总体正确率。

这些点凑在一起，才是「跑出一个能拿去汇报的模型」的完整动作。

配套练习怎么用，别浪费

资料包里的章节笔记适合课后立刻回看一遍，重点看每一步操作背后的判断依据，而不是记按钮位置。图片和附件里的操作截图，建议对着自己手头的问卷数据重跑一次——换成你自己的变量，才知道哪一步会卡住。

比较有效的练法是：拿一份有明确分类结果的真实数据，先只用一个自变量跑通，再逐步加变量，观察分类表怎么变、伪 R 方怎么动。这种「一点点加」的过程，比一次性跑完整个模型更能看出每个变量的分量。

学完你应该能回答这几个问题

  • 我的因变量是三类，为什么不能拆成三个二分类各跑一遍？
  • 模型总体正确率 85%，但这个模型到底有没有用，还得看什么？
  • 某个自变量不显著，是不是就该直接删掉？
  • 决策树给出的规则和 Logistic 的系数，什么时候我更该信前者？

能把这几个问题讲明白，说明你不是在照着流程点菜单，而是真的理解了类别预测这件事的边界。软考里涉及统计与数据分析的部分，考的多半也是这种判断力，而不是操作熟练度。缺这块的，补上；已经会跑但说不清为什么的，正好回头捋一遍。


image.webp 下载附件   保存到相册 2025-9-19 14:30 上传

课程推荐

《文彤老师带你学SPSS--类别预测模型》image.webp 下载附件   保存到相册 2025-9-19 14:30 上传【技能收获】学完可掌握：Embedding 向量检索、Python 编程。课程以实战为导向，覆盖从基础概念到完整项目落地的关键步骤，配套章节笔记便于课后复盘与面试前快速回顾。【学习建议】建议按目录顺序学习，先打基础再进入综合实战章节；每完成 2～3 节可结合笔记整理一份学习小结，最终尝试独立复现一套完整 Demo 写入个人作品集。【就业发展】可面向岗位：Linux 运维工程师、SRE、云计算工程师、DevOps 工程师。云原生与自动化运维仍是企业 IT 刚需方向，认证 + 实战项目组合能显著提升面试通过率，适合向中高级运维或架构岗进阶。 若你已有一定编程或运维基础，本课程可帮助你在现有技能栈上快速叠加热门方向能力，提升求职时的项目说服力与薪资谈判空间。

视频目录（41 节）

*   1-1 SPSS的python扩展插件安装.mp4

*   1-2 SPSS的R插件安装与配置.mp4

*   1-3 如何使用模型进行新案例预测.mp4

*   2-1 logistic回归模型的基本概念.mp4

*   2-2 分析案例.mp4

*   2-3 哑变量.mp4

*   2-4 多变量的综合筛选.mp4

*   2-5 模型中的其余功能设定.mp4

*   3-1 配对设计的基本概念.mp4

*   3-2 病例对照研究中的个案控制匹配.mp4

*   3-3 病例对照研究中的倾向得分匹配（PSM）.mp4

*   3-4 条件logitisc回归的基本原理.mp4

*   3-5 1：1条件logitisc回归的分析操作.mp4

*   3-6 1：m条件logitisc回归的分析操作.mp4

*   4-1 无序分类因变量的Logistic回归.mp4

*   4-2 有序分类因变量的Logistic回归.mp4

*   4-3 弗斯logistic回归模型.mp4

*   5-1 树模型的基本概念.mp4

*   5-2 树模型的信息量计算.mp4

*   5-3 树模型的各种算法.mp4

*   5-4 CRT树模型的基本操作.mp4

*   5-5 树模型对话框的选项设定.mp4

*   5-6 树模型的错分成本和利润计算.mp4

*   5-7 CHAID和QUEST算法的实现.mp4

*   5-8 C5算法的实现.mp4

*   6-1 随机森林的基本原理.mp4

*   6-2 随机森林的软件实现.mp4

*   7-1 神经网络的基本原理.mp4

*   7-2 神经网络的算法实质.mp4

*   7-3 BP神经网络的基本操作.mp4

*   7-4 BP神经网络的选项设定.mp4

*   7-5 径向基神经网络.mp4

*   8-1 支持向量机的基本原理.mp4

*   8-2 SVM中的核函数.mp4

*   8-3 SVM分类.mp4

*   8-4 SVM的参数优化.mp4

*   8-5 SVM回归.mp4

*   8-6 异常值检测的基本理论.mp4

*   8-7 用单类SVM查找异常值.mp4

*   9-1 最近邻分析的基本原理.mp4

*   9-2 最近邻分析的实现.mp4