臺灣博碩士論文加值系統

塑膠貨幣的興起，改變了人們消費與理財的觀念，根據銀行局統計，民國87年至93年的信用卡循環信用餘額平均每年的成長率為20.85%，現金卡放款餘額民國93年5月至94年2月平均每月的成長率為3.43%。這些數據究竟隱藏了什麼樣的資訊？它要告訴我們什麼樣的訊息？循環利息是信用卡發卡行主要收入來源之一，但相對的其風險也是最高，本研究利用資料探勘的技術，尋找產生這個族群的共同規則，提供發卡銀行卡務推廣參考，例如客戶償債能力、消費能力與對發卡行獲利能力之預測，以及信用額度准駁的依據。
自資訊科技發展以來，不但資訊的產生速度以倍速增長，資訊的累積速度更隨著儲存科技的進步以人類未知的度量方式爆炸式的成長，面對如此龐大的資料，如何從其中萃取出可用的知識及還原資料本身所要表達的涵義，儼然成了人類近代科學中另一門熱門且渴望解決的話題。
在眾多的分類（Classification）演算法中，規則歸納法(Rule Induction)是找出同質資料之產生規則最常用的方法，但隨著資料屬性的增多以及訓練資料量的龐大，使得整個尋找規則的學習(Learning)時間倍增，本研究將運用分層抽樣的技術，隨機抽取樣本再尋找規則，以進行信用卡族群共同特性之分析。
關鍵字：知識探索，資料探勘，分層抽樣，規則歸納，循環利息。

In the advent of plastic cash, eventually we changed the spending and saving habits. According to the statistics of the Department of Finance announced in October 2003, the cyclic credit amount has increased 32.33 percent compared with one year ago. The cumulated interests and annual revenues increased 31.4 percent compared with same period of last year, as well. What is the implication concealed on this report? What should credit card issuing institutions respond to this information? The cyclic credit from the cardholders is the main income of issuing bank; consequently the relative risk it carried is very high.
In our research, we are aimed to figure out the commonality of cardholders who apply cyclic credit, based on customer’s ability in paying back the debt, expense pattern, credit allowance and profitability of issuing bank. With the popularity of information technology, we are surrounded by data generated in an unpredictable speed. Facing this gigantic dataset, to extract useful knowledge and its implication becomes a hot research topic waiting us to resolve.
Among various classification algorithms, rule induction is the most applied technique in searching the rules out from homogeneous dataset. But with more attributes of entities and large amount of training dataset studied, the learning time in inducing the rules also doubled. So that we tried to stratify the dataset first, followed by inducing the rules, hopefully it would save processing time significantly.

目 次
摘 要 i
Abstract ii
誌 謝 iii
目 次 iv
圖目錄 vi
表目錄 vii
第 1 章. 緒論 1
1.1. 研究動機 1
1.2. 研究目的 6
1.3. 論文章節概要 7
第 2 章. 相關理論探討 9
2.1. 知識探索 9
2.2. 資料探勘 12
2.3. 機器學習 17
2.4. 規則歸納法 18
2.5. 分群演算法 20
2.6. 抽樣理論 20
第 3 章. 研究方法 27
3.1. 研究構想 27
3.2. 研究方法與步驟 28
3.3. 研究理論架構 31
3.3.1. 模糊分群演算法 31
3.3.2. 分層抽樣理論 32
3.3.3. 規則歸納法概述 34
3.3.4. AQ演算法 37
第 4 章. 模擬實驗 39
4.1. 問題定義 39
4.2. 實驗設計 40
4.2.1. 資料欄位說明 40
4.2.2. 模糊分群說明 41
4.2.3. 分層抽樣原則 43
4.2.4. 使用AQ軟體說明 44
4.2.5. 實驗環境與過程說明 45
4.3. 研究結果分析與討論 46
4.3.1. 實驗結果 46
4.3.2. 結果分析與討論 50
第 5 章. 結論與建議 51
5.1. 結論 51
5.2. 建議（含未來研究方向） 51
參考文獻 53

中文部分（依作者姓名筆劃排列）
01.中心年報，”93年度年報”，聯合信用卡中心，民國94年5月5日取自：http://www.nccc.com.tw/yearbook/cover.htm。
02.方世榮譯，Philip Kotler著，「行銷管理學—分析、計畫、執行與控制」，東華書局，一版，民國87年。
03.李紀珠，「台灣開放民營銀行設立之經驗與展望」，國改研究報告，財金（研）091-063號，財團法人國家政策研究基金會，民國91年。
04.林惠玲與陳正倉，「應用統計學」，雙葉書廊有限公司，二版，民國91年。
05.林欽榮，「消費者行為」，揚智文化事業公司，初版，民國91年。
06.金融機構損益概況，“金融統計”，行政院金融監督管理委員會　銀行局，民國94年5月5日取自： http://www.boma.gov.tw/public/data/boma/stat/index/index-9.xls。
07.信用卡業務統計，“金融統計”，行政院金融監督管理委員會　銀行局，民國94年5月5日取自：http://www.boma.gov.tw/public/data/boma/stat/cc/index-7.xls。
08.現金卡重要業務及財務資訊揭露，“金融資訊揭露”，行政院金融監督管理委員會　銀行局, 民國94年5月5日取自： http://www.boma.gov.tw/public/Attachment/4121174371.xls。
09.張智星，”線上教材”，“資料群聚與樣式辨認”，”2-4：模糊C-means分群法”，民國94年5月5日取自： http://neural.cs.nthu.edu.tw/jang/books/dcpr/模糊C-means分群法.pdf。
10.張堯庭、董麓、謝邦昌，「抽樣調查之理論及其應用方法」，中國統計出版社，民國87年。
11.曾干育，「溫泉旅館遊客利益區隔之研究－以苗栗泰安地區為例」，國立朝陽科技大學休閒事業管理系碩士論文，民國93年。
12.賴志東，「資料挖掘文獻，資料歸納性的研究」，陳彥良教授網站，國立中央大學館理學院，民國94年5月11日取自：http://www.mgt.ncu.edu.tw/~ylchen/database/induction.doc。
13.戴久永，「統計概念與方法」，三民書局，民國84年八月。
14.戴至中譯，Mark J. Barrenechea著，“e-Business or Out of Business”，「甲骨文革命─主宰未來電子商業的ORACLE模式」，麥格羅-希爾，民國90年。
15.簡芃榛，「統計方法應用於消費性業務銀行顧客關係管理系統之研究」，國立成功大學統計學系碩士論文, 民國92年。
16.魏啟林譯，Philip Kotler著，「行銷學精論」，華泰書店，民國78年。
17.顧淑馨譯，Frederick F. Riechheld著，「忠誠度：企業獲得利潤的基石」，智庫出版社，民國93年。
西文部分（依作者姓氏字母排列）
18.Bezdek, J. C., “Pattern Recognition with Fuzzy Objective Function Algorithms,” Plenum Press, New York, 1981.
19.Bhattacharyya, G. K. and Richard A. J., “Statistical Concepts and Methods,” New York: John Wiley & Sons, 1997.
20.Bloedorn, E., Wnek, J.; Michalski, R.S., and Kaufman, K., “AQ17: A Multistrategy Learning System: The Method and User’s Guide,” Report of Machine Learning and Inference Labratory, MLI-93-12, Center for AI, George Mason University, 1993.
21.Brachman, R. and Anand, T., “The process of knowledge discovery in databases: A human-centered approach. In Advances in Knowledge Discovery and Data Mining,” U.M. Fayyad, G. Piatetsky -Shapiro, P. Smyth, and R. Uthurusamy, Eds. AAAI Press/The MIT Press, Cambridge, Mass, pp. 37-57, 1996.
22.Bramer, M.A., “Induction of Classification Rules from Examples: A Critical Review,” Proceedings of Data Mining 96, London, April 1996, Unicom Conferences, pp. 140-166, 1996.
23Chen, M.S., Han, J., and Yu, P.S., “Data Mining: An Overview from Database Perspective,” IEEE Transactions on Knowledge and Data Engineering, Vol. 8, No.6, pp. 866-883, 1996.
24.Clark, P., “Machine learning: Techniques and recent developments,” In A. R. Mirzai, editor, Artificial Intelligence: Concepts and Applications in Engineering, pp. 65–93, Chapman and Hall, 1990.
25.Dunn, J. C., “A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters,” Journal of Cybernetics, Vol. 3, pp. 32-57, 1973.
26.Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P., “From Data Mining to Knowledge Discovery: An Overview,” In Advances in Knowledge Discovery and Data Mining, Chapter 1, pp. 1-34, AAAI Press and the MIT Press, 1996.
27.Hegland M., “Data Mining – Challenges, Models, Methods and Algorithms,” Publications of ANU Data Mining group, Draft, 2003.
28.Kaufman, K. A. and Michalski, R. S., “The AQ18 Machine Learning and Data Mining System: An Implementation and User’s Guide,” Reports of the Machine Learning Laboratory, George Mason University, 2000.
29.Kusiak, A.,“Feature Transformation Methods in Data Mining,” IEEE Transactions on Electronics Packaging Manufacturing, Vol. 24, No. 3, pp. 214-221, 2001.
30.Langley, P., “Elements of machine learning,” San Francisco: Morgan Kaufman, 1996.
31.Machine Learning and Inference Laboratory, iAQ, Retrieved May 27, 2005 from the World Wide Web: http://www.mli.gmu.edu/msoftware.html.
32.Makhoul, J., Rpucos, S., and Gish, H., “Vector quantization in speech coding,” Proceedings of IEEE, 73, pp.1551 - 1558., 1985.
33.Michalski R.S., Mozetic, I., Hong, J. and Lavrac, N., “The Multi-Purpose Incremental Learning System aq15 and Its Testing Application to Three Medical Domains,” Proc. Fifth Nat'l Conf. Artificial Intelligence, pp. 1041-1045, 1986.
34.Olaru, C. and Wehenkel, L., “Data Mining,” IEEE Computer Applications in Power, Vol. 12, no. 3, pp. 19-25, 1999.
35.Schaeffer, R.L., Mendenhall, W., Ott, L., “Elementary Survey Sampling,” Duxbury Press, A Division of Wadsworth Publishing Company, pp. 76-82, 1995.
36.William J. Frawley, Piatetsky-Shapiro, G. and Christopher J. Matheus, “Knowledge Discovery in Databases-An Overview,” AI Magazine, pp. 57-70, 1992.
37.Wnek, J. and Michalski, R.S., “Hypothesis-driven Constructive Induction in AQ17-HCI: A Method and Experiments,” Machine Learning, Springer Science +Business Media B.V., Vol. 14, No. 2, pp. 139-168, 1993.
38.Wojtusiak, J., "AQ21 User's Guide," Reports of the Machine Learning and Inference Laboratory, MLI 04-3, George Mason University, Fairfax, 2004.