中文名稱：驗證性分析 英文名稱：Confirmatory Data Analysis
📌 定義（Definition）
在事先已有明確假設或模型的前提下，使用資料來驗證這些假設是否成立的分析方法。 注重於驗證研究者提出的假設，透過分類、分群、相關性分析以及預測模型等方法，研究人員可以對探索階段所發現的模式進行更深入的挖掘。
⭐原理與技術
常用方法
- 假設檢定（例如：差異是否顯著）
- 迴歸分析（驗證變數之間的關係）
- 模型效能評估（驗證模型是否達標）
- A/B Test（驗證方案 A 是否優於 B）
🔗 應用領域
在 AI 專案裡，CDA 通常出現在：
- 模型訓練後
- 上線前的評估階段
- 決策是否採用模型時
例如：
- 這個模型是否真的比人工判斷好？
- 新模型是否顯著優於舊模型？
- 加入新特徵是否真的有幫助？
這些都不是探索，而是驗證。
3 題模擬練習題
題目一：分析目的判斷（基本陷阱）
某公司在導入 AI 前，先對歷史製程資料進行分析，
目的是找出哪些製程參數可能與不良率有關，
目前並沒有事先設定明確假設。
請問這種分析最接近哪一種？
A. 驗證性資料分析（CDA）
B. 探索性資料分析（EDA）
C. 模型驗證（Validation）
D. 正則化分析
正確答案：B
詳解：
題目強調「找出可能有關的因素」且「沒有事先假設」，
這正是探索性資料分析（EDA）的核心精神：
先看資料，再形成假設。
CDA 一定是「先有假設，再驗證」，與題目描述不符。
題目二：分析流程判斷（角色反轉陷阱）
某分析團隊已提出假設：「導入新檢驗流程後，產品不良率將顯著下降。」 接著使用導入前後的資料進行統計檢定，判斷不良率是否真的有顯著差異。
請問此分析屬於哪一類？
A. 探索性資料分析（EDA）
B. 驗證性資料分析（CDA）
C. 資料清洗（Data Cleaning）
D. 特徵工程（Feature Engineering）
正確答案：B
詳解：
題目已經明確給出「假設」， 後續只是用資料來檢驗「是否成立」， 這完全符合 CDA 的定義。
很多人會因為「有用資料分析」就誤選 EDA，但關鍵不在工具，而在分析目的與順序。
題目三：AI 專案階段判斷（實務混合陷阱）
在一個 AI 專案中，團隊流程如下：
- 先檢視資料分布、異常值、變數關係
- 根據觀察結果提出模型假設
- 使用驗證資料評估模型是否達到預期效果
請問第 1 與第 3 步分別最接近哪一種分析？
A. 第 1 步 CDA；第 3 步 EDA
B. 第 1 步 EDA；第 3 步 CDA
C. 兩步皆為 EDA
D. 兩步皆為 CDA
正確答案：B
詳解：
- 第 1 步：沒有假設、先理解資料 → EDA
- 第 3 步：已有模型與目標、用資料驗證結果 → CDA
這一題是經典的「流程型陷阱題」，
專門考你能不能把 EDA 與 CDA 放到正確階段。