直覺式模糊集群分析與效度指標

Abstract

集群分析為統計學上重要分析工具，其應用的領域相當多元，例如：將大量的顧客資訊，依照消費傾向進行分群，不同集群給予適當的行銷策略；將區域性生物進行分群，依照分群結果執行保育政策。傳統的集群分析中，資料與集群的關係屬於明確值，表示該資料只屬於一特定集群，然而由於現實環境的不確定性，我們經常無法將蒐集到的資料進行統計上的分群，因此使用模糊理論(Fuzzy Sets Theory)的方式，使資料和集群間的關係，以歸屬度函數方式表達，而不再是明確值，以保留資料完整性。 直覺式模糊(Intuitionistic Fuzzy Sets)為模糊理論之延伸，在歸屬度函數外，加入了非歸屬度函數衡量，因此直覺式模糊的表達可以更貼近現實環境，然而過往的研究中，較少提到以直覺式模糊的方式，整合集群分析之相關研究。且在過去的研究中，集群分析方法以及分群效度指標尚有不足的地方，因此本研究希望提供一個直覺式模糊結合集群分析之研究，以階層式合併方法進行分群，提供新的集群分析方式，並改進分群效度指標，使決策者有更良好的決策環境。 本研究模式分為三個階段，在前置階段專家會針對各個資料在不同屬性的表現進行評分，並將模糊性資料轉換為直覺式模糊值，再將各個專家的評估值進行合併；在計算階段，以直覺式模糊相似度計算方法，衡量資料間的相似程度，並進行階層式合併；最後的評估階段，則是運用改良的分群效度指標，找出最佳集群數。 本研究所提出直覺式模糊集群分析演算法與過去集群分析演算法相比，採用較嚴謹的相似度計算排除反直覺問題發生的可能性；以階層式架構的方式發展出可調整分群速度之較為彈性的分群演算法；提供更完整的分群效度指標，使決策者有更明確的決策資訊。

Date of Award	2014 Jun 27
Original language	Chinese
Supervisor	Liang-Hsuan Chen (Supervisor)