第四章 實驗結果與分析
4.4 實驗結果分析
國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
4.4 實驗結果分析
首先，我們採用貝氏機率分類建立預測模型。實驗結果發現貝氏機率分類區辨力不 足，故不採用。
再採用類神經網路，分別針對「所有郵件收寄量」與「包裹快捷收寄量」建立預測 模型，發現以「包裹快捷收寄量」建立之預測模型區辨力較佳，針對村里建物重心的環 域資料亦可提出具鑑別度的預測結果。最後採用邏輯迴歸，不但建立之預測模型具有區 辨力，且可以得到與類神經網路相同的結論，即「採用包裹快捷收寄量建立預測模型之 區辨力較佳」，並將實驗中建立的兩種資料探勘模型區辨力分數整理如表 19。
表19：收寄量預測模型區辨力分數(實驗一) 類神經網路 邏輯迴歸 所有郵件 0.368 0.392 包裹快捷 0.792 0.812 資料來源：本研究整理。
然而在實驗過程中，會發現有少部份村里設點之預測收寄量為負值，經查閱 Microsoft MSDN 網站與相關社群，在 Microsoft SQL Server 2008 Analysis Services 中僅 有「Microsoft 時間序列」資料探勘技術可配合 MINIMUM_SERIES_VALUE 參數使用，
將預測限制為某個預期的範圍。例如可以指定任何一天的預期銷售數量絕對不能超過存 貨中的產品數[31]。而本研究採用之類神經網路、邏輯迴歸技術皆不適用。
然而本研究之目的是在於找出具有高效益的評估設點，而非評估現有設點裁撤的可 能性。故將預測值視為「相對分數」，容許出現負值。預測值高者視為具有高經濟效益 的設點，可考慮增設郵局，預測值低者則不在本論文討論範圍內。
因此，我們針對包裹快捷收寄量，以類神經網路與邏輯迴歸分別建立預測模型所獲 得的預測結果，將兩者之平均預測值分別排序，找出在兩種資料探勘技術中平均排名較 高的村里並再排序，茲列出總排名前 20 名村里如表 20。
‧
‧
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
以台北縣林口鄉湖南村為例，該村里 98 年 12 月人口數為 8,706 人，但因為村里面 積較廣而建物面積較為分散，故當以建物面積重心環域 300 公尺計算時，反而因周圍建 物較少造成建物人口數偏低，如圖 23 所示。
圖23：台北縣林口鄉湖南村圖層套疊
（★為村里評估設點，▲為競爭者設點，●為重要交通路口）
以台北縣蘆洲市正義里為例，該村里 98 年 12 月人口數為 10,246 人，但因為本研究 假設以單一建物重心判斷人口數歸屬，故當以村里建物重心環域 300 公尺計算時，雖然 村里建物重心周圍的建物相當多但面積較廣，計算單一建物重心後發現鄰近該村里建物 重心 300 公尺的建物僅有一處，故造成建物人口數偏低，如圖 24 所示。
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
圖24：台北縣蘆洲市正義里圖層套疊
（★為村里評估設點，▲為競爭者設點，●為重要交通路口）
上述舉例之建物面積過於分散及單一建物重心偏移情形，為本研究假設造成之誤 差，故不作額外處理，但日後可調整實驗假設或實驗方式，避免類似情形再發生，如此 亦可提高預測模型的可信度。
針對村里評估設點結果利用 ArcGIS 9.2 軟體將預估設點評選結果以圖層套疊的方 式表示，如圖 25。建議設點分佈於台北縣市，主要位於台北市中山區、台北市大安區、
台北縣林口鄉等地，且多位於高人口數或高人口成長率的鄉鎮之內。
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
圖25：村里評估設點分析結果(實驗一)
（★為村里評估設點）
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University