教甄◆資訊科技概論專業(電腦科)題庫下載題庫

用會員分群做舉例。

1. 分類分析(Classification)：

已經主觀決定出分類，例如決定好將會員分成三類：低消費群、中消費群、高消費群。依照消費金額，主觀地將所有會員分進去這三類，主觀地決定哪兩個金額門檻，可以把會員分成三群，例如平均每月消費999元以下者為低消費群、1000~9999元中消費群，10000元以上高消費群。

重點在於四個字：人為主觀。三類是人決定的、金額門檻也是人決定的。

2. 群集分析(Clustering)：

這項分析可謂博大精深，【群集分析(Clustering)】是一個統稱，實則背後有著各種不同的演算法，也各有優缺點，機器學習的發展就是由此展開的。在此，小馬只有辦法簡述，實無法盡述。

【群集分析(Clustering)】也是在做分群...

查看完整內容

用會員分群做舉例。

1. 分類分析(Classification)：

已經主觀決定出分類，例如決定好將會員分成三類：低消費群、中消費群、高消費群。依照消費金額，主觀地將所有會員分進去這三類，主觀地決定哪兩個金額門檻，可以把會員分成三群，例如平均每月消費999元以下者為低消費群、1000~9999元中消費群，10000元以上高消費群。

重點在於四個字：人為主觀。三類是人決定的、金額門檻也是人決定的。

2. 群集分析(Clustering)：

這項分析可謂博大精深，【群集分析(Clustering)】是一個統稱，實則背後有著各種不同的演算法，也各有優缺點，機器學習的發展就是由此展開的。在此，小馬只有辦法簡述，實無法盡述。

【群集分析(Clustering)】也是在做分群，其中K-mean演算法，是最為人熟知且常用的演算法，透過不同演算法的分析技巧和特性，分析人員在演算法下，可以找出較適合的分類數量(分幾群)，可能不是如上分成三類，而是分A~E五類，甚至到了最後，分析人員會對於到底要分A~E五類還是A~F六類而猶豫不決。
但不論分成多少類(多少群)，【群集分析(Clustering)】的演算法會直接把所有樣本分進不同的類別(群集)裡，等於是演算法會將分好的會員直接計算出數據，例如A類的會員平均消費金額多少、B類的...等等以此類推，進而去描述不同群會員的相貌。

重點在於四個字：系統客觀。不管是分類或是計算而得的門檻，都不是由人去決定的，而是透過演算法的技術去訂定，人能決定的，只在於選擇哪種演算法，和當演算法跑出幾個很相近的(最佳)分類結果時，要選擇哪一個分類。

【分類分析(Classification)】是分析者做出人為主觀的分類(人主動決定結果)
【群集分析(Clustering)】是演算法做出系統客觀的分類(人被動接受結果)

資料探勘（Data Mining），意指利用一個龐大數據庫建立模型（Model），並從中找出隱藏的特殊關聯性及特徵。例如：某公司握有自身客戶的資訊（包含：年齡、資產、交易頻率、交易量等），利用此資料庫找出其客戶消費的模式、習慣，並據此將客戶群分類，藉此針對不同客群做出精準行銷，就是所謂的資料探勘。

資料探勘所建立的模型可分為六種：

分類分析（Classification）：透過研究數據庫中的特徵，將已知資料做出分類，並根據已知的特徵預測未經分類的新進數據。如前段所述的客戶群分類。群集分析（Clustering）：和分類分析的概念相似，亦是將一數據庫的資料做出分類，並歸納出組間的差異性及組中的相似性。其不同點在於，分類分析在劃分後又有...
查看完整內容

資料探勘（Data Mining），意指利用一個龐大數據庫建立模型（Model），並從中找出隱藏的特殊關聯性及特徵。例如：某公司握有自身客戶的資訊（包含：年齡、資產、交易頻率、交易量等），利用此資料庫找出其客戶消費的模式、習慣，並據此將客戶群分類，藉此針對不同客群做出精準行銷，就是所謂的資料探勘。

資料探勘所建立的模型可分為六種：

1. 分類分析（Classification）：透過研究數據庫中的特徵，將已知資料做出分類，並根據已知的特徵預測未經分類的新進數據。如前段所述的客戶群分類。
2. 群集分析（Clustering）：和分類分析的概念相似，亦是將一數據庫的資料做出分類，並歸納出組間的差異性及組中的相似性。其不同點在於，分類分析在劃分後又有明確對應的類別／函數（換句話說，數據間有「已知」的特徵），但群集分析在演算法運算時無法得知分類的依據及數據的特徵，也就是分類後並沒有明確的類別／函數，因此必須在分類後另行解讀各個分類的意義。
3. 迴歸分析（Regression）：透過一系列的現有數據去預測未知數據的可能值。例如：我們可以透過分析某一地區多筆房地產交易的數據庫（包含：坪數、地點、房型、交易金額等），對另一個未售出的房產做出成交金額預測。
4. 時間序列分析（Time Series Forecasting）：和迴歸分析的概念相同，也是藉由已知的數據來預測未來數據的可能值。其不同點在於：時間序列分析模型中的數據中必須含有時間關聯性。透過時間序列分析，可得知事件沿著時間軸（如季節性、節日、過去與未來的相關性）所產生的變化情形，進一步使用歷史資料來預測未來趨勢。過去，時間序列分析通常用於一國家／地區的經濟發展政策，目前已進一步地延伸到醫療資料分析。如：糖尿病遠端醫療照護。
5. 關聯分析（Association）： 是分析數據庫中各資料彼此相依的機率，通常被用來分析公司各產品被同時購買的關係與頻率。例如：某顧客在已經購買該品牌洗髮精的情況下，同時購買該品牌潤髮乳的機率。
6. 順序型態分析（Sequential Pattern Analysis）： 與關聯分析相似，只是順序型態分析中的數據中具有次序及時間的關係。例如：某顧客在已經購買該品牌洗髮乳後，一周後再度購買潤髮乳所發生的機率。順序型態分析很常用在股市分析上，例如：因應英國脫歐公投，某股票一天內下跌了 10％，另一檔股票在兩天內跟著下跌 10％ 的機率。