请将下面语句换一种专业的语气详细表达字数不少于800字：在Spss Modeler中拥有着众多的分析功能以及工具在本次实验中我们选择自动分类器、决策树CHAID、Quest、C&R树、类神经网络、Logistic回归模型、特征选择对本次数据集进行分析。 自动分类器：用于创建和对比二元结果是或否流失或不流失等的若干不同模型使用户可以选择给定分析的最佳处理方法。 由于支持 多种建模算法因此可以对用户希

在Spss Modeler中，具备多种分析功能和工具，本次实验选择了自动分类器、决策树（CHAID、Quest、C&R树）、类神经网络、Logistic回归模型、特征选择对数据集进行分析。

自动分类器是一种用于创建和对比二元结果的模型，可以帮助用户选择最佳处理方法。由于支持多种建模算法，用户可以选择特定选项和标准进行选择。节点根据指定的选项生成一组模型并根据用户指定的标准排列最佳候选项的顺序。

决策树模型是一种用于开发分类系统的工具，可以基于一组决策规则来预测或分类未来的观测值。如果已将数据分成您感兴趣的类别，那么可以使用自己的数据来构建用于对具有最高准确性的旧观测值或新观测值进行分类的规则。此方法有多个优点，浏览树的同时可以明显地看出模型背后的推论过程。其次，此过程只会将真正影响决策的属性自动包含在其规则中，不会提高树的准确性的属性将被忽略。此方法可获得非常有用的数据信息，并且可用于在培训其他学习方法之前将数据缩减到相关字段。

神经网络是模拟人类大脑处理信息方式的简化模型，其工作方式为模拟大量类似于神经元的抽象形式的互连处理单元。神经网络是神经系统运转方式的简单模型，其基本单元是神经元，通常将其组织到层中。

Logistic回归是一种用于依据输入字段的值对记录进行分类的统计方法，用分类目标字段代替了数值字段。同时支持二项模型和多项式模型，其工作原理是构建一组方程式，使输入字段值与每个输入字段类别所关联的概率相关。生成模型后，便可以用它来估计新数据的概率。对于每条记录，将计算每种可能输出类别的成员资格概率。具有最高概率的目标类别将被指定为该记录的预测输出值。

特征选择通常作为使用机器学习算法完成相应任务前的一个预处理步骤。一个好的特征选择方法通常可以降低数据的冗杂度,移除不相干的数据,提高学习模型的准确率，降低计算复杂度以及提高模型结果的可理解性和可解释性。

在本次评估中，使用AUC和Gini来评估模型的性能。AUC评估度量按照ROC曲线下方的面积进行计算，数字越大表示分类器越好。坐标(0,0)与(1,1)之间的对角线ROC曲线表示随机分类器，并且其AUC为0.5。因此，实际分类器的AUC不会小于0.5。Gini系数评估度量用作AUC的替代评估度量，它计算为ROC曲线与对角线之间的面积的两倍，或按照Gini = 2AUC - 1进行计算。Gini系数始终介于0到1之间，数字越大表示分类器越好。对于ROC曲线在对角线下方的不可能事件，Gini系数为负。

综上所述，Spss Modeler中的自动分类器、决策树、类神经网络、Logistic回归模型和特征选择等工具和功能可以帮助研究人员对数据进行分析和处理，从而得出更准确的结果和预测