情緒色彩之資料探勘模式

一. 倒傳遞類神經網路

研究中依據色彩RGB對照情緒進行研究，採用倒傳遞類神經網路建立 模型如圖3- 5，透過實際受試者RGB色彩與情緒對照輸入，並設計不同數 量之隱藏層神經元數量10到16，進一步了解於不同數量之隱藏層神經元 數量之影響。另也以不同之學習速率0.001、0.01與0.1三種進行實驗，在 研究模式中以最大迭代次數100為停止條件。

圖 3- 5 類神經網路色彩學業情緒偵測模式圖

二. CART 決策樹

CART決策樹是以Gini係數來做為決策樹分支邊樹的基本原則，在運 算中以每個分支節進行資料的分割，並建立一個二元分割樹，在CART 決策樹中可以直接處理類別型變數與連續型變數的分類問題(Breiman, Friedman, Olshen, & Stone, 1984)。CART與ID3、C4.5、C5.0決策樹演算 法的最大不同點是在每一節點上都是採用二分法，每次只能夠有兩個子 節點被產生，但在 ID3、C4.5、C5.0則在每一個節點上可以產生不同數 量的分枝。在本研究中是採用連續型變數進行判斷。在進行CART決策樹

佳建模以得到最好的結果。其基本運作模式如下：先給定一群訓練樣本

八. 隨機森林

隨機森林是Breiman將分類樹組合維隨機森林，利用變數(row)的使用 和資料(column)進行隨機化，並產生許多的分類樹，並進行這些樹所產生 的結果，是該種模式的基本想法(Breiman, 2001)。在本研究中所使用的隨 機森林中有幾個主要的參數，以下進行介紹：設定森林中樹的樹木在研 究中設定為500，以及每次決定在隨機森林中決策樹每次分支時所選擇的 變數個數，這邊設定為變數的二次根號，以及在計算中產生各個變數的 重要程度值。

九. 密度分群與關聯規則

在本模式中採用5種不同密度分群共分為17~12群，在密度分群中主要 兩個參數密度群半徑eps與密度設定值Minpts。在研究中主要調整密度群 半徑由20、25、30、35、40等5種，Minpts設定為20。在研究中先以密度 分群後資料在導入關聯規則進行判斷，進行關聯規則判斷時主要調整兩 個參數：支持度與可靠度，以達到能夠篩選出四種情緒的目標為調整依 據。

十. 最大期望分群與關聯規則

在本模式中採用6種不同最大期望分群共分為12~6群，在最大期望分 群中先將以樣本資料當作一個含有隱性變數的機率模型，再進行模型最 佳化過程，即可得到。在研究中先以最大期望分群後資料在導入關聯規 則進行判斷，進行關聯規則判斷時主要調整兩個參數：支持度與可靠度，

以達到能夠篩選出四種情緒的目標為調整依據。