【正文】 ?168公分算不算高 ?? 身高 cm 矮 隸屬度 中 高 160 170 180 47 迴歸分析 ? 迴歸分析 ?分析多個(gè)獨(dú)立變數(shù) (independent variable) 對(duì)於某個(gè)依變數(shù) (dependent variable)的影響 ， 主要功能如下 ? 利用獨(dú)立變數(shù) ?解釋依變數(shù) ? 利用獨(dú)立變數(shù) ?預(yù)測(cè)依變數(shù) ? 利用依變數(shù) ?控制獨(dú)立變數(shù) ? 分 析必須做下列假設(shè) ?各母體 (population)之間必須要是獨(dú)立的 ?每個(gè)母體必須要符合常態(tài)分配 ?樣本是從母體當(dāng)中隨機(jī)的被抽取出來(lái) 48 迴歸分析範(fàn)例 ? 原始迴歸係數(shù)： ?適於預(yù)測(cè)之用。是嗎？ 沒(méi)錯(cuò)！你怎麼知道得這麼詳細(xì)？ 王先生，因?yàn)槲覀円呀?jīng)連線到 『 神機(jī)妙算客服系統(tǒng) 』 喔！我想要訂購(gòu)一臺(tái)室內(nèi)跑步機(jī)送給我老婆當(dāng)生日禮物 王先生，室內(nèi)跑步機(jī)不適合您太太喔。 為什麼？ 根據(jù)您太太的醫(yī)療紀(jì)錄，她有膝關(guān)節(jié)疼痛的毛病，不適合做跑步運(yùn)動(dòng) 那 …… 妳能不能推 薦其他的禮物？ 您可以試試看我們新推出的全方位按摩椅，不必做激烈運(yùn)動(dòng)也能達(dá)到全身運(yùn)動(dòng)的效果，而且您自己也可以使用喔！ 喔 ….. 妳怎麼知道 我剛好想買(mǎi)按摩椅呢？ 因?yàn)楦鶕?jù) google的使用紀(jì)錄，您上星期用 『 按摩椅 』這個(gè)關(guān)鍵字搜尋了 24次 喔！可是我怕按摩椅 太大，我的臥室會(huì)放不下 您所住的房子臥室有五坪大，而您只購(gòu)買(mǎi)過(guò)一張雙人床和一座四尺寬的衣櫃，剩下來(lái)的空間放這臺(tái)按摩椅應(yīng)該沒(méi)問(wèn)題喔！ 喔！那這臺(tái)按摩椅要賣(mài)多少錢(qián)呢？ 今天我們剛好有做特惠，原價(jià)一萬(wàn)元，現(xiàn)在只賣(mài)五千元 請(qǐng)問(wèn)妳們有 收信用卡嗎？ 對(duì)不起，要請(qǐng)您用現(xiàn)金付款，因?yàn)槟膬蓮埿庞每ǘ家呀?jīng)刷爆了，現(xiàn)在還欠銀行六萬(wàn)七千八百三十五元 喔！那我先去領(lǐng)錢(qián)，妳們趕快把按摩椅送過(guò)來(lái)吧！ 對(duì)不起，您今天提領(lǐng)的現(xiàn)金已經(jīng)超過(guò)提款機(jī)的每日提款限額囉 喔？我手邊的現(xiàn)金應(yīng)該還夠，妳們快把按摩椅送過(guò)來(lái)吧 我們要先安排司機(jī)送貨路線，最快大約要三小時(shí)才能送到，如果您等不及，可以自己開(kāi)車(chē)過(guò)來(lái)載 什麼？！ 您不是剛買(mǎi)了一輛Discovery休旅車(chē)，車(chē)號(hào)是KG3838，用這臺(tái)車(chē)載按摩椅剛剛好 ?。亢冒?！那我自己過(guò)去載好了 好的！我立刻請(qǐng)庫(kù)房幫您備貨。 ?當(dāng)資料為原始分?jǐn)?shù)時(shí)，則預(yù)測(cè)方程式為： ? Y^ = a＋ b1X1＋ b2X2＋ … ＋ biXi （ a：截矩 b：斜率） ? 範(fàn)例 ?設(shè)客戶年齡為獨(dú)立變數(shù)X1， 客戶年收入為獨(dú)立變數(shù) X2，筆記型電腦售價(jià)為依變數(shù) Y，分析客戶年齡、客戶年收入與客戶所購(gòu)買(mǎi)的筆記型電腦售價(jià)三者之歷史數(shù)據(jù)，建立出一個(gè)迴歸分析模型 ? Y = 542 X1 + X2 49 第一章 資料探勘簡(jiǎn)介 ? 緣起 ? 何謂資料探勘 ? 資料探勘的演進(jìn) ? 資料探勘與其他系統(tǒng)的比較 ? 知識(shí)發(fā)現(xiàn)的過(guò)程 ? 資料探勘常用的技術(shù) ? 資料探勘的模型 ? 資料探勘的應(yīng)用 ? 資料探勘的工具 ? 資料探勘未來(lái)的發(fā)展與挑戰(zhàn) 50 資料探勘的模型 ? 主要有以下四種 ?資料分類(lèi) (data classification) ?資料關(guān)連 (data association) ?資料分群 (data clustering) ?循序樣式探勘 (sequential pattern mining) 51 資料分類(lèi) ? 何謂分類(lèi) (classification) ?監(jiān)督式學(xué)習(xí) (supervised learning) ?分析資料的屬性，分門(mén)別類(lèi)加以定義，以建立類(lèi)組 (class) ? 適用領(lǐng)域 ?顧客分類(lèi)、疾病因素分析 … 等 ? 範(fàn)例 ?將信用卡申請(qǐng)者的風(fēng)險(xiǎn)屬性，區(qū)分為高度風(fēng)險(xiǎn)、中度風(fēng)險(xiǎn) 、 低度風(fēng)險(xiǎn)申請(qǐng)者 52 資料關(guān)連 ? 資料關(guān)連 ?探討資料項(xiàng)目間的關(guān)係，找出某一事件或資料中會(huì)同時(shí)出現(xiàn)的項(xiàng)目 ?也叫做關(guān)連法則探勘 ? 適用領(lǐng)域 ?購(gòu)物籃分析 (market basket analyses) ? 幫助零售業(yè)者瞭解客戶的消費(fèi)行為 ? 範(fàn)例 ?如果顧客買(mǎi) NB，同時(shí)購(gòu)買(mǎi)隨身碟的機(jī)率是 80% ?如果買(mǎi)全麥麵包及低脂優(yōu)酪乳，那麼顧客同時(shí)也買(mǎi)低脂牛奶的機(jī)率是 85% 53 資料分群 ? 資料分群 (Clustering) ?非監(jiān)督式學(xué)習(xí) (unsupervised learning) ?從大 量資料中找出案例間相似性 ， 案例中每個(gè)屬性都可視為一個(gè)維度，如果案例有 n個(gè)屬性，就可將每個(gè)案例都各投射到 n維空間上的一點(diǎn) ? 適用領(lǐng)域 ?顧客分群、群組推薦 … 等等 ? 範(fàn)例 ?一群住在附近的人，駕駛相同的汽車(chē)，使用相同家電，並且食用相同的食物。透過(guò)觀察資料為何被群集在一起的，可以更了解資料間的關(guān)係，以及這些關(guān)係將會(huì)如何影響預(yù)言的結(jié)果 54 循序樣式探勘 ? 循序樣式探勘 ?分析序列狀態(tài)轉(zhuǎn)變，從相關(guān)的序列當(dāng)中預(yù)測(cè)未來(lái)的狀態(tài) ? 與關(guān)連法則所不同的是循序樣式探勘中相關(guān)的項(xiàng)目(item)是以時(shí)間區(qū)分 ? 適用領(lǐng)域 ?股市行情預(yù)測(cè)、行為預(yù)測(cè) … 等等 ? 舉例 ?在通訊品質(zhì)不佳的無(wú)線網(wǎng)路環(huán)境中，此舉尚可提供客戶在離開(kāi)無(wú)線網(wǎng)路涵蓋區(qū)時(shí)，仍能離線瀏覽網(wǎng)頁(yè)的功能 55 第一章 資料探勘簡(jiǎn)介 ? 緣起 ? 何謂資料探勘 ? 資料探勘的演進(jìn) ? 資料探勘與其他系統(tǒng)的比較 ? 知識(shí)發(fā)現(xiàn)的過(guò)程 ? 資料探勘常用的技術(shù) ? 資料探勘的模型 ? 資料探勘的應(yīng)用 ? 資料探勘的工具 ? 資料探勘未來(lái)的發(fā)展與挑戰(zhàn) 56 資料探勘的應(yīng)用實(shí)例 (1) ? 成功案例 ?LTV鋼鐵公司 (全美第三大 ) ? 偵測(cè)品質(zhì)問(wèn)題，使不良品減少 99% ?美國(guó)匯豐銀行 (HSBCBankUSA) ? 在顧客資料中進(jìn)行探勘，用「生活方式」區(qū)隔進(jìn)行行銷(xiāo)，對(duì)行銷(xiāo)資源做「最佳化規(guī)劃」，銷(xiāo)售量提高了 50% ?Jubii（丹麥最受歡迎的入口網(wǎng)站 ） ? 運(yùn)用資料探勘探索「哪一種瀏覽路徑最有可能促成交易 ?」，改善網(wǎng)站設(shè)計(jì)，使得瀏覽率提升 30%~50%，媒體銷(xiāo)售業(yè)績(jī)成長(zhǎng) 10%~15% 57 資料探勘的應(yīng)用實(shí)例 (2) ? 金融保險(xiǎn)業(yè) ?信用評(píng)等、客製化金融服務(wù)、客戶資產(chǎn)管理、呆帳分析、保險(xiǎn)潛在客戶名單分析、