意向大數據分析_分辨資料視覺化下的聯合機率和條件機率

有人問我資料視覺化不就是資料進來後，經過整理就使用漂亮的UI來展現資料就可以知道資料的關聯嗎？

現在很多資料視覺化確實都是走向這樣的方向。可是讓我們回到資料分析的初衷，為什麼要做資料分析！

資料分析的目的就是希望從資料當中根據我的問題去找到答案，可以是驗證我所想的，也可能是發現問題點，或是意想不到的結果。那你所使用的資料真的可以就這樣丟進去，然後展現嗎？

我看到很多情況都是弄個走勢圖，就像匯率走勢、股價走勢、營收結構(圓餅圖或環狀圖)等，這些對我們提出的問題有什麼意義呢？

意向大數據分析_資料視覺化_聯合機率法

意向大數據分析方法可以適用於同時出現文字與數字的資料。然後透過計算每個層次的機率與每個層次之間所形成的條件機率，我們可以繪製出樹狀圖來顯示每個可能路徑。樹狀圖會因為層次的排序不同而不同，所以這樣的樹狀圖會非常龐大的，計算起來也非常麻煩。

下面，我用三個層次的例子來說明意向大數據分析方法的使用。

應用意向大數據分析於銷售

情   境

現下取得產品品項名稱、銷售數量(以X4表示)，單價分類與區域，對此四組資料，可以了解特定產品品項在哪些區域賣得比較好，以及在當地銷售的數量和單價如何。

為了回答這樣的問題，我設定了層次順序為 產品品項 → 區域 → 單價分類 → 銷售數量

對唯一的數字資料，分為2組。X4 最小值=1.000000  最大值=507.000000
對單價則分為低單價、中單價、高單價、超高單價
其他文字類型的資料，以文字來分類
<254 .000000="" 127.5000000000="" nbsp="" p="">
資料來源：使用模擬銷售資料，並調整部份數據

怎樣的健康促進比較有效？

健康促進的宣導包含口腔、飲食、防止跌倒與菸害。對於高齡的受試者的性別、年齡與經宣導後的受測分數進行分析，我們想知道

• 性別會影響宣導後的受測總分嗎？
• 不同年紀會影響宣導後的受測總分嗎？
• 當我們知道宣導後的受測總分時，哪種宣導活動是高齡受試者最容易且關注的活動呢？

醫療數據的意向大數據分析應用 - 醫療實驗有效嗎?

我使用醫療數據說明了如何建立樹狀圖與貝氏定理的機率，這篇網誌則是我們想知道

醫療實驗中，總膽固醇的前後變化是如何，實驗有效嗎？

所以，我們有實驗組與對照組。所謂實驗組是有進行醫療實驗的，而對照組則是沒有進行醫療實驗的。

醫療數據的意向大數據分析應用 - 樹狀圖與貝氏定理

【前言】

醫療數據可以透過檢驗後得到數據紀錄，我們可以取得醫療數據後進行意向大數據分析。現在的文明病之一就是膽固醇太高，導致心血管疾病，以及引發出其他的疾病。不過，所有的膽固醇都是有其重要性(參考1)。

意向大數據分析介紹

在大數據分析當中，我們會遇到很多的資料是同時有文字或是數字，有時候全部都是文字。於是，出現了結構性與非結構性分析。而文字探勘成為大數據分析當中很重要的一個學習與應用功能。然而，在文字的資料分析中，多是基於挖礦與敘述性統計與圖像分析。

然而，若要進一步使用統計分析卻沒有辦法。過去有貝氏定理簡易版的馬可夫鏈，讓樹狀圖可以發揮作用，產生前後關係的關聯性計算。