B. 探索性分析（Exploratory Analysis）
探索性分析 是一種數據分析方法，旨在無需預設假設的情況下，透過 多角度
探索數據，發現其中的 模式、關聯和異常，為後續的深入分析或建模提供基礎。
以下為探索性分析相關重要觀念：
a. 散佈圖矩陣（Scatter Plot Matrix）
特點與用途：用於展示多個變量 兩兩之間 的相關性，
適合 高維 數據 的初步探索。
應用範例：分析 銷售數據中 價格、數量與地區 之間的 互動關係。
b. 熱圖（Heatmap）
特點與用途：透過 色彩強度 展示 數據項目之間 的 關聯程度，
通常用於相關分析。
應用範例 ：了解 客戶消費行為特徵 之間的關聯
（如年齡與消費金額）。
c. 平行坐標圖（Parallel Coordinates Plot）
特點與用途：適合 分析高維數據，展示多個變量 的 趨 勢 和 模 式。
應用範例 ：比較不同產品類型在 多項指標上 的表現
（如成本、收益、風險等）。
d. 箱型圖/盒鬚圖（Box Plot）
特點與用途：展示數據分佈情況，突出 離群值 與 中位數 等特徵。
應用範例 ：比較 不同地區 的 收入分佈 差異。
e. 相關性分析（Correlation Analysis）
特點與用途：測量兩個變量之間的相關性，
如 皮爾森相關係數（PearsonCorrelation Coefficient）。
應用範例：分析 廣告支出 與 銷售收入之間的相關性，判斷廣告效果。
f. 聚類分析（Clustering Analysis）
特點與用途：將數據分為多個組群，組內 數據相似度高
而 組間差異大 ， 如K均值聚類（K-Means）、
層次聚類（Hierarchical Clustering）等。
應用範例：客戶分群，根據 消費行為
將用戶分為高價值客戶、一般客戶等。
g. 主成分分析（Principal Component Analysis, PCA）
特點與用途：減少數據維度，同時保留大部分數據內訊息，
便於 視覺化 或 進一步分析。
應用範例 ：簡化 銷售數據的 多維特徵 以發現核心指標。
h. 異常檢測（Anomaly Detection）
特點與用途：識別數據集中不符合預期的異常點，
如 離群值 或 罕見模式。
應用場景 ：檢測金融交易中的欺詐行為。
發表文章
