Page 109 - 物聯網金融商機

ୋʞ௝
演算法和人工智慧： 101
認知運算和深度學習

表 1 機器學習的分類技術重點表

行為
目的 方法 資料應用 公式量值 例子
方式
多種獨立自變
預測 推估未來的數 預測其未來之
預測 趨勢 數來分析出某 新的觀察值
行為 值以及趨勢 刷卡消費量
個因變數
其屬性變數指 屬性
預測 訂定策略與保
分類 派至所屬的群 分門 不同屬性變數 規則
行為 費
集 別類
找出群組與組
預測 群之間的差異
和描 相似
群聚 點，以及同一 特定變數 差異點量值 客戶消費集群
述行 組群內各個變 特性
為
數的相似點
支持度
項目或屬性彼
關聯性 描述 此之間的關聯 關聯 兩種資料一起 (Support) 以 一起銷售的擺
分析 行為 性 被應用 及可靠度 置方式
性
(Confidence)
描述 發生的先後順 重新 發生客戶失竊
順序 環境資料 順序關係
行為 序關係 組合 的先後順序
預測 獲致某一屬性 推估其信用卡
推估 推論 連續性數值 推估值
行為 未知之值 消費量
茲將上述機器學習的分類技術和所用的演算法之間關聯整
理如表 2 ：

表 2 分類技術和演算法關聯表

預測 分類 群聚 順序 推估 關聯性分析
一般統計 * * * * * *
聯結分析 * * *
案例式推理 * * *
購物籃分析 * * * *
基因演算法 * *
記憶基礎理解 * * * *
群集偵測 *
決策樹 * * * *
類神經網路 * * * *