實驗方法說明

限制型利基柏拉圖基因演算法乃希望透過設定分類準確率閥值，調整利基型柏拉圖 基因演算法的挑選機制，刺激基因演算法往提高分類準確率的方向努力，避免因屬性刪 減過快，導致準確率偏低的問題。此處使用三筆資料測試本研究所提方法的有效性。

4.1.1 實驗資料

本研究所使用之三筆資料，威斯康辛乳癌及聲納金屬探測來自UCI 資料庫，肝病診 斷為台灣國泰醫院之實際病歷資料。以下為此三筆資料進行詳細的介紹。

肝病診斷

此資料為肝病診斷資料，總共包含了168 筆樣本，其中有 89 筆為良性，79 筆為惡 性。每筆樣本包含15 項肝病相關診斷屬性，1 項診斷結果。在進行實驗時，本研究將全 部168 筆資料，隨機挑選出 54 筆類別為良性及 47 筆類別為惡性之樣本作為訓練組資料。

再從剩下的資料中，隨機挑選出35 筆良性及 32 筆惡性樣本作為測試組資料。經此處理 後之資料使用1-NN 分類器進行分類時，訓練組之分類準確率為 86.1%，測試組之分類 準確率為80.1%。

威斯康辛乳癌

此資料為美國威斯康辛州的乳癌診斷資料，總共包含了569 筆樣本，其中有 357 筆 為良性腫塊樣本，212 筆為惡性腫塊樣本。每筆樣本包含 30 項乳癌相關診斷屬性，1 項 診斷結果。本研究在進行實驗時，將全部569 筆資料，隨機挑選出 140 筆類別為良性及 140 筆類別為惡性之樣本作為訓練組資料。再從剩下的資料中，隨機挑選出 70 筆良性及 70 筆惡性樣本作為測試組資料。經過處理後之資料使用 1-NN 分類器進行分類時，訓練

組之分類準確率為0.946，測試組之分類準確率為 0.957。 徵使用率標準差STD(f)及分類準確率標準差STD(c)之計算方法如下：

)

整合，以加強實驗結果的說服力。實驗二之相關參數設定如表4.2。

表4.2 實驗二參數設定

突變率 交配率 染色體數 競爭集合染色體數 族群半徑 共同

參數 0.1 0.8 50 3 0.05

組別 代號 描述

對照 組

0% 不設定準確率限制。

實驗 組一

5% 以族群中，分類準確率較低之5%染色體的分類準確率平均值為閥 值。

實驗 組二

10% 以族群中，分類準確率較低之10%染色體的分類準確率平均值為閥 值。

實驗三

此實驗的目的在比較相同的實驗設定下，不設定準確率閥值，但使用多一倍的染色 體進行搜尋工作，能否使基因演算法找到分類準確率更高的特徵組合。又其效果與限制 型利基柏拉圖演算法相比，兩種方法之間的差異。實驗三之相關參數設定如表4.3。

表4.3 實驗三參數設定

突變率 交配率 競爭集合染色體數 族群半徑

共同

參數 0.1 0.8 3 0.05

組別 代號 描述

對照 組

0% 不設定準確率限制，使用染色體數為100。

實驗 組一

5% 以族群中，分類準確率較低之5%染色體的分類準確率平均值為閥 值。使用染色體數為50。

實驗 組二

10% 以族群中，分類準確率較低之10%染色體的分類準確率平均值為閥 值。使用染色體數為50。