至今銀行業競爭激烈，為了要提高利潤，首先要先建立良好的授信品質、減少信用違約之風險，本研究希望透過分群技術，加以解讀集群特徵，運用及預測在往後未知類別的信用消費者顧資料中。本研究利用測試資料集Iris、Wine和Germen Credit dataset建構分群決策步驟，再對國內某銀行信用卡持有者的消費資料進行評等，以利掌握違約傾向的持有者，進行風險控管。
研究內容主要利用三種常見分群技術K-means、Fuzzy c-means、階層式分群法(Hierarchical Clustering)和TOPSIS多準則決策方法，結合決策支援步驟主成分分析法(Principal Component Analysis)篩選變數，肘部法(Elbow Method)選出最適集群數，以及輪廓分析(Silhouette method)評價分群技術之效度。經運用在該銀行信用卡消費者資料，篩選出分群結果較佳之分群技術。並經卡方分析和平均數檢定，檢驗是否和違約比例有顯著關係，同時也對不同分群技術進行檢定，以判定各集群的結果是否與方法相關。
 本研究分群結果顯示K-means和FCM分群在信用資料中成效較佳，經過反覆測試和檢定，FCM則有顯著結果，最適合被應用於信用資料。其對三個測試資料集經分群檢定的準確率分別為81%、68%及67%，優於其他分群技術，利用依變數「最差繳款評等」類別檢驗，分群結果顯著，同時也從分群結果中檢驗出3群低違約風險之集群，集群中0位違約消費者，表示可提供銀行進一步探討集群特徵，對往後消費者行為進行控管，預測消費者違約風險。

The banking industry is currently highly competitive, in order to increase profits, first of all, we must establish a good credit quality and reduce the risk of credit default.This study hopes to interpret cluster characteristics through clustering method, and to apply and predict credit consumer data in unknown categories in the future. This study uses the test dataset Iris, Wine and Germen Credit dataset to establish a clustering decision-making step, and then evaluate the consumer data of a bank credit card holder in domestic to facilitate the holder of the default tendency and conduct risk control.
In this study, the main use of three common clustering method K-means, Fuzzy c-means, hierarchical clustering and TOPSIS multi-criteria decision making method, combined with decision support procedure "principal component analysis" select variables ,"elbow method" select the optimal number of clusters, and" Silhouette method "Evaluating the validity of clustering methods. These methods are applied to a bank credit card consumer data to select clustering methods with better clustering results. Through chi-square test and t-test, it is tested whether there is significance with the proportion of default, and different clustering methods are tested to determine whether the results of each cluster are related to the method at same time.
The clustering results of this study shows that K-means and FCM clusters have a better performance in credit data. After repeated testing and verification, FCM has statistically significant results and is most suitable for credit data. The three test data sets were tested by clustering, and the accuracy rates were 81%, 68%, and 67%, respectively, which were superior to other clustering method. Using the category of “worst payment rating” according to the variables, the clustering results were significant, and three clusters of low default risk clusters were also detected from the clustering results, and the cluster contained 0 default consumers. Representing this result can provide the bank to further explore the characteristics of the cluster, control the behavior of consumers in the future, and predict the risk of default by consumers.

目錄
第一章 緒論	1
1.1 研究背景與動機	1
1.2 研究目的	2
1.3 研究流程	2
第二章 文獻探討	4
2.1 信用評等	4
2.1.1信用評等原則	4
2.2 信用卡風險管理	6
2.2.1信用風險管理目的	6
2.2.2 信用風險評估方法	7
2.3 信用評分	10
2.4 分群方法	12
2.4.1 K-means	12
2.4.2 模糊分群法	14
2.4.3 階層式分群法	16
2.4.4  TOPSIS多準則分群法	18
2.5 分群支援技術	19
2.5.1主成分分析	20
2.5.2 肘部法	22
2.5.3 輪廓分析	23
2.6 小結	23
第三章 研究方法	24
3.1 研究對象	24
3.2 信用評等分析流程	24
3.3 研究方法	29
3.3.1 分群方法	29
3.3.2 分群支援技術	35
3.4 小結	38
第四章 研究結果	39
4.1 分群方法測試	39
4.1.1 Iris data set	39
4.1.2 Wine date set	43
4.1.3 German credit dataset	49
4.1.4 測試資料庫分析比較	54
4.2 信用評等	55
4.2.1主成分分析	55
4.2.2定義變數	58
4.2.3分群結果	60
4.3 測試分群結果	75
4.4 管理意涵	80
第五章 結論與建議	81
5.1 結論	81
5.2 建議	82
5.3 研究限制	82
參考文獻	83
一、 中文部分	83

二、 英文部份	86



表目錄
表 2 1信用風險評估方式比較	9
表 3 1聚合型階層式分群法	32
表 4 1 Iris應用K-means分群結果	40
表 4 2 Iris 應用FCM分群結果	41
表 4 3 Iris應用階層式分群分群結果	43
表 4 4 Iris應用TOPSIS分群結果	43
表 4 5 Wine應用K-means分群結果	44
表 4 6 Wine應用Fuzzy c-means分群結果	45
表 4 7 Wine應用階層式分群分群結果	47
表 4 8 Wine應用TOPSIS分群結果	49
表 4 9 German credit dataset應用K-means分群結果	50
表 4 10 German credit dataset應用FCM分群結果	51
表 4 11 German credit dataset應用階層式分群分群結果	51
表 4 12 German credit dataset應TOPSIS分群結果(等權重)	53
表 4 13 German credit dataset應用TOPSIS分群結果(不等權重)	53
表 4 14消費者資料主成分特徵值	55
表 4 15主成分解釋變異比例	56
表 4 16變數說明	58
表 4 17消費者資料 K-means分群結果比較表	61
表 4 18消費者資料 Fuzzy c-means分群結果比較表	64
表 4 19費者資料階層式分群法結果比較表	69
表 4 20消費者資料TOPSIS分群法結果比較表	71
表 4 21 TOPSIS迴歸模型係數表	73
表 4 22 TOPSIS迴歸模型權重表	73
表 4 23訓練資料分群結果	75
表 4 24測試資料(1)分群結果	75
表 4 25測試資料(2)分群結果	76
表 4 26卡方檢定K-means分群結果表	77
表 4 27卡方檢定FCM分群結果表	77
表 4 28卡方檢定分群結果比較表	78
表 4 29平均數檢定K-means分群結果表	79
表 4 30平均數檢定FCM分群結果表	79

 
圖目錄
圖1-1研究流程圖	3
圖2-1 K-means流程圖	13
圖2-2階層式分群法分群結果樹狀圖	16
圖2-3聚合式分群法示意圖	17
圖3-1信用評等分析流程	26
圖4-1 Iris應用肘部法	39
圖4-2 Iris應用K-means分群結果散佈圖	40
圖4-3 Iris應用FCM分群結果散佈圖	41
圖4-4 Iris應用階層式分群(最近聚合法)	42
圖4-5 Iris應用階層式分群(華德法)	42
圖4-6 Wine應用肘部法	44
圖4-7 Wine應用K-means分群結果散佈圖	45
圖4-8 Wine應用FCM分群結果散佈圖	46
圖4-9 Wine應用階層分群法(最近法)	47
圖4-10 Wine應用階層分群法(華德法)	48
圖4-11 German credit dataset應用肘部法	49
圖4-12 German credit dataset應用K-means 分群結果散佈圖	50
圖4-13 German credit dataset應用 FCM 分群結果散佈圖	51
圖4-14 German credit dataset應用階層分群法(最近法)	52
圖4-15 German credit dataset應用階層分群法(華德法)	52
圖4-16主成分累積解釋變異圖	56
圖4-17消費者資料運用肘部法	60
圖4-18消費者資料運用K-mean分群結果散佈圖	62
圖4-19消費者資料運用K-means分群結果輪廓分析	63
圖4-20消費者資料運用FCM分群結果散佈圖	65
圖4-21消費者資料運用FCM分群結果輪廓分析	65
圖4-22消費者資料階層分群結果長條圖	67
圖4-23消費者資料階層分群結果輪廓分析	68
圖4-24消費者資料階層分群結果輪廓分析	72
圖4- 25消費者資料TOPSIS分群結果輪廓分析	74

一、 中文部分
1.	黃俊英 (1995)。多變量分析，第五版，中國經濟企業研究所，台北市。
2.	龔昶元 (1998)。Logistic Regression 模式應用於信用卡信用風險審核之研究-以國內某銀行信用卡中心為例。台北銀行月刊，28(9)，35-49，台北市。
3.	鄭廳宜 (1999)。信用卡授信審核之實證研究。朝陽科技大學財務金融所碩士論文，台中市。
4.	陳宗豪 (1999)。消費者小額信用貸款之信用風險研究-甄選的觀點。國立中山大學人力資源管理研究所碩士論文，高雄市。
5.	徐村和, 朱國明, & 詹惠君 (2000)。 模糊集群應用於信用卡市場區隔與消費者行為分析，台北市。
6.	胡崇銘（2000）。以主成分分析評估基金績效與風險。國立臺灣大學商學研究所碩士論文，台北市。
7.	張文生 (2001)。銀行建構「信用卡信用風險及時預警系統」之研究。中原大學企業管理研究所碩士論文，桃園縣，
8.	李美笑 (2002)。信用卡持卡人信用風險之研究。逢甲大學保險學研究所碩士論文，台中市。
9.	李海麟 (2002)。銀行消費者房屋貸款授信評量之實證分析。國立中正大學國際經濟研究所碩士論文，嘉義縣。
10.	陳鴻文 (2002)。個人小額信用貸款授信模式之個案研究。國立高雄第一科技大學財務管理所碩士論文，高雄市。
11.	林正芳（2002）。以重力理論為基礎的二階段階層式資料分群演算法特性之研究。國立臺灣大學資訊工程學研究所碩士論文，台北市。
12.	林育臣（2002）。群聚技術之研究。朝陽科技大學資訊管理系碩士班碩士論文，台中市。
13.	江淑娟 (2003)。信用評等因素與信用卡違約風險之關係---以台灣A金融機構所發行之信用卡為例。逢甲大學保險學研究所碩士論文，台中市。
14.	劉泰谷 (2004)。信用卡信用評分模型之建構與分析。世新大學財務金融學研究所碩士論文，台北市。
15.	詹育晟 (2005)。個人信用行為評分模式之研究--以現金卡用戶為例。國立政治大學資訊管理所碩士論文，台北市。
16.	張育菁 (2006)。銀行信用卡客戶信用風險評估模型之建立。國立交通大學管理科學研究所碩士論文，新竹市。
17.	黃隆憲 (2006)。消費者小額信用貸款授信模式之研究。國立高雄第一科技大學財務管理所碩士論文，高雄市。
18.	許邦輝（2006）。以主成分分析法為基礎之文件自動分類模式。國立清華大學工業工程與工程管理學系碩士論文，新竹市。
19.	蘇俊吉（2007）。有效率的階層式分群演算法。國立高雄應用科技大學電子與資訊工程研究所碩士班碩士論文，高雄市。
20.	陳東和（2008）。應用資料探勘技術於基金客戶風險承受度之分群與預測。中國文化大學資訊管理研究所碩士在職專班碩士論文，台北市。
21.	馬振武 (2009)。基因演算法為基礎之決策樹於信用卡使用者之違約分類預測-以台灣某銀行信用卡為例。華梵大學資訊管理學所碩士論文，新北市。
22.	易正明（2009）。基於馬氏距離的模糊分群演算法。國立臺中教育大學教育測驗統計研究所博士論文，台中市。
23.	劉孟庭 (2009)。K-均值法聚類分類技術之研究。朝陽科技大學資訊管理所碩士論文，台中市。
24.	蔡裕輔 (2010)。信用卡風險客戶衡量之研究。淡江大學全球華商經營管理數位學習研究所碩士在職專班論文。大學資訊科技與管理研究所碩士論文，新北市。
25.	陳信傑（2010）。應用模糊分群、模糊規則及基因演算法於印刷電路板之生產預測。中華大學資訊管理學所碩士論文，新竹市。
26.	陳淑媛（2012）。新巴塞爾資本協定下信用風險評等與財務危機預警模型於銀行授信決策之應用。德明財經科技大學資訊科技與管理研究所碩士論文，台北市。
27.	李浚弘（2012）。改良 FCM分群與分級最佳化之研究 - 以民宿評鑑為例。國立東華大學國際企業學系碩士論文，花蓮縣。
28.	孟哲賢（2012）。以多變量分析探討現行發布之生物毒性試驗。國立交通大學環境工程系所碩士論文，新竹市。
29.	張金燦（2012）。運用分群技術於信用卡風險評估模型之研究。銘傳大學資訊工程學系碩士班碩士論文，台北市。
30.	蔡尚佑（2013）。模糊演算法的初始中心點對集群效度指標影響之研究。國立嘉義大學應用數學系研究所碩士論文，嘉義市。
31.	陳妤嘉（2013）。基於主成分分析與廣義迴歸類神經網路在軟體開發成本預測的應用。佛光大學資訊應用學系碩士論文，宜蘭縣。
32.	邱弘懿 (2016)。資料探勘技術應用於不均衡資料預測表現比較 – 以信用卡違約風險預測為例。國立交通大學科技管理所碩士論文，新竹市。
33.	韓凱聿（2016）。運用Entropy權重法與TOPSIS法於軍事能力評估之研究。國防大學財務管理學系碩士論文，桃園縣。
34.	戴德宝、倪立平與薛铭 (2017)。基於 k-means 和 SVM 的銀行個人信用評估應用。江蘇科技大學學報(自然科學版)，31(6)，836-842，江蘇省。
35.	洪學儒（2017）。基於Word2Vec字詞向量模型之熱門主題偵測與命名方法。國立臺北科技大學資訊工程系所碩士論文，台北市。
36.	林沂姍（2017）。應用TOPSIS於金融控股公司經營績效之研究。國立高雄應用科技大學國際企業系碩士在職專班碩士論文，高雄市。
37.	張呈光（2017）。植基於主成份分析與資料類別關係之遞進式特徵提取方法。國立臺灣科技大學資訊管理系碩士論文，台北市。
 
二、英文部份

1.	Pearson, K. (1901). Principal components analysis. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 6(2), 559.
2.	William Post (1910). The Fore Big c’s Factor in Extending Credit. 
3.	Hotelling, H. (1933). Analysis of a complex of statistical variables into principal components. Journal of Educational Psychology, 24(6), 417-441.
4.	Thorndike, R. L. (1953). Who belongs in the family?. Psychometrika, 18(4), 267-276.
5.	Zadeh, L.A., (1965). Information and Control. Fuzzy Set, 8, 338-353.
6.	MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. In Proceedings of the fifth Berkeley symposium on mathematical statistics and probability, (Vol. 1, No. 14, pp. 281-297).
7.	Paul H. Hunn (1970). 5P Theory.
8.	J. C. Dunn (1973). A fuzzy relative of the ISODATA process and its use in detecting compact Well-Separated clusters. Journal of Cybernetics, vol. 3, pp 32-57. 
9.	Bezdek, J. C. (1974). Cluster validity with fuzzy sets. Journal of Cybernetics, Vol. 3, pp.58-73.
10.	Yoon, K., & Hwang, C. L. (1981). TOPSIS (technique for order preference by similarity to ideal solution)–a multiple attribute decision making, w: Multiple attribute decision making–methods and applications, a state-of-the-at survey. Berlin: Springer Verlag.
11.	Rousseeuw P J. Silhouettes (1987). A Graphical Aid to the Interpretation and Validation of Cluster Analysis[J]. Journal of Computational and Applied Mathematics, 20:53-65. 
12.	Oyang, Y. J., Chen, C. Y., & Yang, T. W. (2001). A study on the hierarchical data clustering algorithm based on gravity theory. In European Conference on Principles of Data Mining and Knowledge Discovery ,(pp. 350-361). Springer, Berlin, Heidelberg.
13.	Downs, G. M., & Barnard, J. M. (2002). Clustering methods and their uses in computational chemistry. Reviews in computational chemistry, 18, 1-40.
14.	Ferreira, L., & Hitchcock, D. B. (2009). A comparison of hierarchical methods for clustering functional data. Communications in Statistics-Simulation and Computation, 38(9), 1925-1949.
15.	Cattell, R. (Ed.). (2012). The scientific use of factor analysis in behavioral and life sciences. Springer Science & Business Media,Berlin.
16.	Bholowalia, P., & Kumar, A. (2014). EBK-means: A clustering technique based on elbow method and k-means in WSN. International Journal of Computer Applications, 105(9).
Faraji Sabokbar, H., Hosseini, A., Banaitis, A., & Banaitiene, N. (2016). A novel sorting method TOPSIS-SORT: an applicaiton for Tehran environmental quality evaluation. E+ M Ekonomie a Management, 19(2), 87-105.
17.	Yang, S., & Zhang, H. (2018). Comparison of Several Data Mining Methods in Credit Card Default Prediction. Intelligent Information Management, 10(05), 115.