SQL Server 2008 內建了九種強大的數據挖掘算法，涵蓋分類、聚類、關聯規則、時間序列、回歸分析等核心數據科學任務。這些算法透過「挖掘模型檢視器」提供直觀的圖形化介面，讓開發人員與分析師無需撰寫複雜程式碼，即可探索資料隱藏模式、預測趨勢並輔助商業決策。本文將逐一解析這九大算法的原理、適用場景與在 SQL Server 2008 中的視覺化檢視方式。
決策樹是一種樹狀結構，以樣本屬性為節點、屬性取值為分支、葉節點代表類別標籤。根節點選擇資訊量最大的屬性，遞迴分割直到葉節點純度足夠。SQL Server 2008 的決策樹檢視器以「全部」節點為起點，展示最重要的分割規則；依賴關係網絡則以滑桿動態篩選輸入屬性與可預測屬性的相依強度，適合客戶流失預測、風險評級等分類問題。
聚類依據資料點在幾何空間的距離度量相似度，將相近對象自動歸為同一群。算法以迭代方式優化分群質量，直到無法再改善為止。檢視器提供四大圖表：群類關係圖（群間關聯強弱）、群類剖面圖（因變量與自變量關聯）、群類特徵（單群特性）、群類比較（雙群差異），廣泛應用於客戶細分、異常檢測與模式發現。
基於貝葉斯定理並假設屬性條件獨立，Naive Bayes 計算量小、訓練極快，適合大規模資料的初步探勘。採用監督式學習，需預知類別標籤。檢視器包含依賴關係網絡、屬性配置文件、屬性特徵與屬性比較四大視角，能快速揭示輸入與可預測欄位的關係，常用於垃圾郵件過濾、文本分類與醫療診斷輔助。
發掘項集間有趣的關聯規則，經典案例為「購物籃分析」。核心指標為支持度（X 與 Y 同時出現概率）與信賴度（X 出現條件下 Y 出現概率）。檢視器提供規則列表、項集統計與依賴關係網絡，協助零售業制定交叉銷售策略、商品擺放優化與促銷組合設計。
專為序列資料設計，將相同路徑或順序的事件分群，找出最常見的行為序列。檢視器含群類關係圖、剖面圖、特徵、比較與狀態轉換圖，適用於網站點擊流分析、客戶購買路徑挖掘、設備故障前兆序列識別等場景。
針對連續數值預測優化，將時間序列分解為趨勢、季節與殘差成分。檢視器以圖表呈現歷史值、預測值與誤差區間，模型結構以樹狀展示。常用於銷售預測、庫存規劃、能源需求預測等商業智慧應用。
由輸入層、隱藏層（可選）、輸出層構成，透過權重調整學習非線性映射關係。檢視器允許選擇輸入/輸出屬性，以條狀圖顯示輸入狀態對輸出傾向的影響程度。適合複雜非線性問題：信用評分、圖像識別、股價趨勢預測等。
神經網絡的特例，專門處理二分類或有序分類問題，建立輸入變量與輸出概率的對數幾率線性關係。可量化各因素對結果的影響權重，常用於疾病風險因子分析、客戶回應建模、信用卡欺詐檢測。
決策樹的變體，尋找依賴變量與獨立變量間的最佳線性方程。以直線或超平面擬合資料，評估變量間線性關係強弱。適用於房價預測、銷量與廣告投放關係分析、財務指標趨勢外推等經典回歸任務。
九大算法各有專長：決策樹與 Naive Bayes 適合快速分類原型；聚類與順序分析擅長無標籤探勘；關聯規則發掘共現模式；時序專攻時間維度預測；神經網絡捕捉複雜非線性；邏輯與線性回歸提供可解釋的統計模型。實務中建議結合業務目標、資料特性與模型可解釋性需求，搭配交叉驗證選擇最優算法。
