方法／演算法案例，整合圖 5.13、圖 5.14。
區分分群與關聯規則探勘，理解 k-Means 與 Apriori 的用途。
企業可能需要把相似客戶分群，或分析哪些商品經常共同出現；兩者回答的商業問題不同。
| 方法 | 核心概念 | 典型用途 |
|---|---|---|
| k-Means | 依距離形成群集並反覆更新 | 市場區隔／分群 |
| Apriori | 由頻繁項目集建立關聯規則 | 購物籃分析 |
| 規則指標 | 支持度、信賴度、提升度 | 衡量關聯模式 |
分群可使用 k-Means 依距離反覆分派／更新群集；關聯分析可用 Apriori 找出頻繁項目集，再以支持度、信賴度、提升度評估規則。
原書概念段落未提供可在此完整重算的單一交易資料集；相關超市練習另列案例。
分群可降低問題空間複雜度並支援市場區隔；關聯分析適合購物籃／共同出現類問題。
判斷指定零售問題應使用 k-Means 還是關聯規則，並說明需要哪些資料欄位。
問題： 同一零售資料能否同時做分群與關聯分析？
參考解答： 可以，只要資料結構與商業目標支援；兩種方法回答不同問題。