第四章 實驗方法與驗證
4.7 楊秋興個案討論
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4.20 可以明顯觀察到，在越接近楊秋興宣布重返國民黨的日期時，網友的回應 訊息數越升高，高點來自 8 月 4 號 346 則回應與 8 月 10 號 271 則回應。然而在宣布完 轉換政黨後回應數從圖上明顯又降至低點，同一現象同樣出現在圖 4.21 按讚折線圖中，
不同的是還可以發現楊秋興按讚數在正式回鍋國民黨後有增長的趨勢，圖 4.22 分享數 顯示數量幾乎為 0，僅有在回鍋國民黨後被分享一次訊息。在上述圖中可以充分說明 楊秋興丟出政黨轉變的震撼彈對他來說確實造成網友的關注與參與。而我們將進一步 探討楊秋興在國民黨與民進黨時期的發文之互動數值上是否有些特徵上的差別，能夠 對楊秋興之貼文做正確的政治傾向分類。圖 4.23 為楊秋興在民進黨與國民黨時期所發 貼文之回應、按讚、分享平均數，從圖中可以發現楊秋興在回鍋國民黨後的貼文互動 特徵皆高於在民進黨時期，因觀察到這一個明顯特徵，故我們實驗將使用原始互動特 徵值域搭配上節文字與互動特徵方法實驗中穩定度最高之分類器 decision tree，並將楊 秋興貼文從訓練資料中抽離當作測試資料。
圖 4.20：楊秋興變換政黨期間貼文回應折線圖
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4.21：楊秋興變換政黨期間貼文按讚折線圖
圖 4.22：楊秋興變換政黨期間貼文分享折線圖
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4.23：楊秋興貼文之藍綠互動特徵平均數
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
楊秋興特例由於藍綠貼文資料比例懸殊，故以單純未經處理過之互動特徵實驗。
表 4.30 為楊秋興個案實驗之 confusion matrix，從民進黨 recall 值來 26 篇貼文中有 25 篇順利召回，僅有 1 篇被預測為國民黨，足以說明民進黨的互動特徵的確可以有效的 把民進黨的貼文預測出來，但 precision 僅有 0.614 或 6.14%，有 382 篇國民黨貼文被 預測為民進黨，表示雖然互動特徵可以有效預測出民進黨貼文，但特徵強度過大使得 也涵蓋了國民黨的貼文，大大降低了國民的黨 recall 值，國民黨 486 篇中有 382 篇被 誤判為民進黨，從實驗數據中可以進一步推斷在圖 4.23 互動特徵平均數值中國民黨高 於民進黨，源自於國民黨貼文互動特徵極端化下的結果，部分貼文互動特徵數極高，
而其餘的貼文互動特徵仍與民進黨相近。然而儘管楊秋興已轉換政黨，但以特徵分布 與實驗結果顯示整體貼文特徵仍然偏向民進黨。
表 4.30：楊秋興個案實驗 confusion matrix
true green true blue class precision
pred. green 25 382 0.614(6.14%)
pred. blue 1 104 0.9905(99.05%)
class recall 0.9615(96.15%) 0.2140(21.40%)
‧
權重方式其準確度最高可達 0.853，F1-score 可達 0.757。第二種預測模型為以文字與 互動為特徵，其針對貼文文字藍綠黨派關鍵字與政治人物字典與情緒字典的特徵轉換，以及貼文之按讚、回應、分享等互動特徵值域轉換，並組成多組特徵組合分開實驗，
最後以分類器 KNN 搭配黨派典型字與互動特徵值域取對數這組特徵組合達到最高準 確度 0.908，F1-score 為 0.827。最後，對國民黨貼文資料中楊秋興先生的資料特例做 個案探討。