下面介紹十種數據挖掘（Data Mining）的分析方法，以便于大家對模型的初步了解，這些都是日常挖掘中經常遇到的算法，希望對大家有用！（甚至有數據挖掘公司，用其中的一種算法就能獨步天下）

1、基于歷史的 MBR 分析（Memory-Based Reasoning；MBR）

基于歷史的 MBR 分析方法最主要的概念是用已知的案例（case）來預測未來案例的一些屬性（attribute），通常找尋最相似的案例來做比較。

記憶基礎推理法中有兩個主要的要素，分別為距離函數（distance function）與結合函數（combination function）。距離函數的用意在找出最相似的案例；結合函數則將相似案例的屬性結合起來，以供預測之用。記憶基礎推理法的優點是它容許各種型態的數 據，這些
數據不需服從某些假設。另一個優點是其具備學習能力，它能藉由舊案例的學習來獲取關于新案例的知識。較令人詬病的是它需要大量的歷史數據，有足夠 的歷史數據方能做良好的預測。此外記憶基礎推理法在處理上亦較為費時，不易發現最佳的距離函數與結合函數。其可應用的范圍包括欺騙行為的偵測、客戶反應預 測、醫學診療、反應的歸類等方面。

2、購物籃分析（Market Basket Analysis）
購物籃分析最主要的目的在于找出什么樣的東西應該放在一起？商業上的應用在藉由顧客的購買行為來了解是什么樣的顧客以及這些顧客為什么買這些產品，找出相 關的聯想（association）規則，企業藉由這些規則的挖掘獲得利益與建立競爭優勢。舉例來說，零
售店可藉由此分析改變置物架上的商品排列或是設計 吸引客戶的商業套餐等等。

購物籃分析基本運作過程包含下列三點：
（1）選擇正確的品項：這里所指的正確乃是針對企業體而言，必須要在數以百計、千計品
項中選擇出真正有用的品項出來。
（2）經由對共同發生矩陣（co-occurrence matrix）的探討挖掘出聯想規則。
（3）克服實際上的限制：所選擇的品項愈多，計算所耗費的資源與時間愈久（呈現指數遞
增），此時必須運用一些技術以降低資源與時間的損耗。
購物籃分析技術可以應用在下列問題上：
（1）針對信用卡購物，能夠預測未來顧客可能購買什么。
（2）對于電信與金融服務業而言，經由購物籃分析能夠設計不同的服務組合以擴大利潤。
（3）保險業能藉由購物籃分析偵測出可能不尋常的投保組合并作預防。
（4）對病人而言，在療程的組合上，購物籃分析能作為是否這些療程組合會導致并發癥的
判斷依據。

3、決策樹（Decision Trees）
決策樹在解決歸類與預測上有著極強的能力，它以法則的方式表達，而這些法則則以一連串的問題表示出來，經由不斷詢問問題最終能導出所需的結果。典型的決策 樹頂端是一個樹根，底部有許多的樹葉，它將紀錄分解成不同的子集，每個子集中的字段可能都包含一個簡單的法則。此外，決策樹可能有著不同的外型，例如二元 樹、三元樹或混和的決策樹型態。

4、遺傳算法（Genetic Algorithm）
遺傳算法學習細胞演化的過程，細胞間可經由不斷的選擇、復制、交配、突變產生更佳的新細胞。基因算法的運作方式也很類似，它必須預先建立好一個模式，再經 由一連串類似產生新細胞過程的運作，利用適合函數（fitness function）決定所產生的后代是否與這個模
式吻合，最后僅有最吻合的結果能夠存活，這個程序一直運作直到此函數收斂到最佳解。基因算法在群集 （cluster）問題上有不錯的表現，一般可用來輔助記憶基礎推理法與類神經網絡的應用。

5、聚類分析（Cluster Detection）
這個技術涵蓋范圍相當廣泛，包含基因算法、類神經網絡、統計學中的群集分析都有這個功能。它的目標為找出數據中以前未知的相似群體，在許許多多的分析中，剛開始都運用到群集偵測技術，以作為研究的開端。

6、連接分析（Link Analysis）
連接分析是以數學中之圖形理論（graph theory）為基礎，藉由記錄之間的關系發展出一個模式，它是以關系為主體，由人與人、物與物或是人與物的關系發展出相當多的應用。例如電信服務業可藉 連結分析收集到顧客使用電話的時間與頻率，進而推斷顧客使用偏好為何，提出有利于公司的方案。除了電信業之外，愈來愈多的營銷業者亦利用連結分析做有利于企業的研究。

7、OLAP 分析（On-Line Analytic Processing；OLAP）
嚴格說起來，OLAP 分析并不算特別的一個數據挖掘技術，但是透過在線分析處理工具，使用者能更清楚的了解數據所隱藏的潛在意涵。如同一些視覺處理技術一般，透過圖表或圖形等方式顯現，對一般人而言，感覺會更友善。這樣的工具亦能輔助將數據轉變成信息的目標。

8、神經網絡（Neural Networks）
神經網絡是以重復學習的方法，將一串例子交與學習，使其歸納出一足以區分的樣式。若面對新的例證，神經網絡即可根據其過去學習的成果歸納后，推導出新的結果，乃屬于機器學習的一種。數據挖掘的相關問題也可采類神經學習的方式，其學習效果十分正確并可做預測功能。

9、判別分析（Discriminant Analysis）
當所遭遇問題它的因變量為定性（categorical），而自變量（預測變量）為定量（metric）時，判別分析為一非常適當之技術，通常應用在解決 分類的問題上面。若因變量由兩個群體所構成，稱之為雙群體 —判別分析 （Two-Group Discriminant Analysis）；若由多個
群體構成，則稱之為多元判別分析（Multiple Discriminant Analysis；MDA）。
（1） 找出預測變量的線性組合，使組間變異相對于組內變異的比值為最大，而每一個線性
組合與先前已經獲得的線性組合均不相關。
（2） 檢定各組的重心是否有差異。
（3） 找出哪些預測變量具有最大的區別能力。
（4） 根據新受試者的預測變量數值，將該受試者指派到某一群體。

10、羅吉斯回歸分析（Logistic Analysis）
當判別分析中群體不符合正態分布假設時，羅吉斯回歸分析是一個很好的替代方法。羅吉斯回歸分析并非預測事件（event）是否發生，而是預測該事件的機 率。它將自變量與因變量的關系假定是 S 行的形狀，當自變量很小時，機率值接近為零；當自變量值慢慢增加時，機率值沿著曲線增加，增加到一定程度時，曲線協 率開始減小，故機率值介于 0 與 1 之間。

Tags：數據挖掘