資料探勘

資料探勘（Data Mining）是從大量數據中發現模式、關聯和知識的過程，結合統計學、機器學習和數據庫技術。

與相關領域的關係：

• 機器學習 (ML)：資料探勘使用ML算法，但更強調發現可解釋的模式
• 統計學：提供理論基礎和假設檢驗
• 數據庫：高效的數據存儲和查詢
• 資料科學：資料探勘是數據科學的核心組成部分

主要任務：

• 分類：預測離散類別（如客戶流失預測）
• 回歸：預測連續值（如銷售額預測）
• 聚類：發現數據中的自然分組（聚類 (Spectral Clustering)）
• 關聯規則：發現項目的共現模式（如購物籃分析）
• 異常檢測：識別異常或離群值
• 序列模式：發現時間序列中的模式

經典算法：

• Apriori 演算法 (關聯規則挖掘)：關聯規則挖掘
• K均值聚類、DBSCAN (密度聚類)：聚類算法
• 決策樹、隨機森林 (Balanced Random Forest)：分類和回歸
• 支持向量機：支持向量機
• 神經網絡 (類神經網路)：神經網絡

應用領域：

• 零售：顧客細分、購物籃分析、推薦系統
• 金融：信用評分、詐騙檢測、風險管理
• 醫療：疾病預測、藥物相互作用
• 電信：客戶流失預測、網絡優化
• 製造：預測性維護、質量控制

流程（CRISP-DM）：

1. 業務理解 → 2. 數據理解 → 3. 數據準備 → 4. 建模 → 5. 評估 → 6. 部署

資料探勘是將原始數據轉化為可執行洞察的關鍵技術。