第四章 實驗分析
4.3 分類技術分析
4.3.2 決策樹分析
表 4-9 為與上述貝氏網路分析同樣採用(年齡、遊戲地點)的因素分類來做比 較，決策樹分析表中呈現出 Precision 值、Recall 值及 F-Measure 值。
由分析表 4-9 中可以得知，使用決策樹分析後，F-Measure 值為 0.71，與貝 氏網路分析 F-Measure 值為 0.695，並無明顯差異。
表 4-7 貝氏網路分析基本資料排名表
表 4-8 貝氏網路分析研究資料排名表
42
表 4-10 為與上述貝氏網路分析同樣採用(遊戲角色、角色定位)的因素分類 來做比較，由分析表中可以得知。F-Measure 值為 0.681，與貝氏網路分析 F-Measure 值 0.656 相比，即有些許的差異。由此得知，不同的分析技術，針對 不同的因素組合，所得到的分析結果也不盡相同。
表 4-11 決策樹分析 F-Measure 值順序排名表為 25 種因素分類的 F-Measure 值，由表中可以得知對遊戲勝負影響最大的因素分類為(年齡、遊戲地點、網路 速度)，其值為 0.71。
最小的因素分類為(全部因素) ，與上述貝氏網路分析一樣，其值為 0.62，
而貝氏網路分析為 0.632。
分析技術/決策樹分析 Precision Recall F-Measure
0.551 1 0.71
0 0 0
Weighted Avg. 0.303 0.551 0.391
分析技術/決策樹分析 Precision Recall F-Measure 0.54 0.924 0.681 0.273 0.035 0.062 Weighted Avg. 0.42 0.524 0.403
表 4-9 決策樹分析表
表 4-10 決策樹分析表
43 分析方法/
決策樹分析
影響遊戲勝負因素分類
F-Measure 值1 年齡、遊戲地點、網路速度 0.71
2 電腦型式、網路速度 0.71
3 年齡、遊戲地點 0.71
4 居住地、付費 0.71
5 遊戲地點、電腦型式 0.71
6 認識人數、遊戲地點、網路速度 0.7
7 類似遊戲、遊戲資歷 0.699
8 年齡、教育程度 0.693
9 遊戲地點、認識人數 0.689
10 年齡、類似遊戲、遊戲資歷 0.688
11 遊戲腳色、遊戲定位 0.681
12 遊戲地點、語音系統、認識人數 0.676
13 認識人數、語音系統 0.676
14 遊戲地點、認識人數、電腦型式 0.669
15 遊戲地點、語音系統、電腦型式 0.667
16 遊戲地點、語音系統 0.667
17 職業、類似遊戲、遊戲資歷 0.663
18 年齡、職業 0.663
19 語音系統、認識人數、電腦型式 0.661
20 年齡、性別、職業 0.661
21 遊戲地點、語音系統、認識人數、電腦型式 0.66 表 4-11 決策樹分析 F-Measure 值順序排名表
44
透過表 4-11 決策樹分析 F-Measure 值順序排名表，得知每項因素對遊戲勝負 的值。因此，本研究將決策樹分析中的基本資料及研究資料的前五名因素，綜整 如下: 表 4-12 為決策樹分析基本資料排名表，表 4-13 為決策樹分析研究資料排 名表。
排名 影響遊戲勝負因素分類 F-Measure 值
1 年齡、遊戲地點、網路速度 0.71
2 年齡、遊戲地點 0.71
3 居住地、付費 0.71
4 類似遊戲、遊戲資歷 0.699
5 年齡、教育程度 0.693
排名 影響遊戲勝負因素分類 F-Measure 值
1 電腦型式、網路速度 0.71
2 遊戲地點、電腦型式 0.71
3 認識人數、遊戲地點、網路速度 0.7
4 遊戲地點、認識人數 0.689
5 遊戲腳色、遊戲定位 0.681
22 年齡、職業、類似遊戲、遊戲資歷 0.648
23 年齡、職業、類似遊戲、 0.648
24 年齡、職業、遊戲資歷 0.648
25 全部因素 0.62
表 4-12 決策樹分析基本資料排名表
表 4-13 決策樹分析研究資料排名表
45 4.3.3 因素分析
經過上述的貝氏網路分析及決策樹分析，得知每一項因素分類的 F-Measure 值。透過 F-Measure 值，可以了解哪些因素分類是對遊戲勝負有影響的。
接著將使用因素分析(資訊獲利率)找出真正能夠影響勝負的關鍵因素，透過 表 4-14 貝氏網路分析及決策樹分析的研究資料排名表，來得知 F-Measure 值順 序排名表的前五名，來進行因素分析。
由表 4-14 中可以得知貝氏網路分析及決策樹分析前五名的因素分類排名，
也能清楚發現前兩名都是相同的因素分類。而結果也顯示出兩種分析技術的前五 名，其影響遊戲勝負的因素分類，有些許因素是共通的。如：電腦型式、網路速 度、遊戲地點、認識人數。但是，也有幾項因素是沒有共通的。如：語音系統、
遊戲腳色、遊戲定位。
因此，本節將針對全部因素進行資訊獲利率的分析，以驗證出影響遊戲勝負 的關鍵因素，是否為上述分析所得的這四項因素。
表 4-15 為資訊獲利率順序排名表，由表中得知影響遊戲勝負關鍵因素的第 一名為認識人數 0.0363325，依序為遊戲角色、職業、網路速度...最後一名為 類似遊戲 0.0000501。由此表可以得知全部因素的對遊戲勝負的影響。
排名 貝氏網路分析 決策樹分析
1 電腦型式、網路速度 電腦型式、網路速度
2 遊戲地點、電腦型式 遊戲地點、電腦型式
3 遊戲地點、語音系統、電腦型式 認識人數、遊戲地點、網路速度 4 遊戲地點、認識人數、電腦型式 遊戲地點、認識人數
5 遊戲地點、認識人數 遊戲腳色、遊戲定位
表 4-14 貝氏網路分析及決策樹分析研究資料 F-Measure 值順序排名表
46
於上述貝氏網路分析及決策樹分析中得知影響遊戲勝負的四項因素，其資訊 獲利率排名為第一、第四、第八及第十。雖然，有些因素的值不是很高。但是透 過不同的因素分類，即可在分析中，發掘出對遊戲勝負有意想不到的影響結果。
4.4 研究資料驗證
表 4-16 及表 4-17 為上述貝氏網路分析及決策樹分析 F-Measure 值順序排名 表得到的四項共同因素(認識人數、遊戲地點、電腦型式、網路速度)，所組成的 因素分類。藉由這四項共同因素再次進行貝氏網路分析及決策樹分析，以證實是 否影響遊戲的勝負。其研究分析結果如下：
排名 影響因素 資訊獲利率值
1 認識人數 0.0363325
2 遊戲角色 0.0158166
3 職業 0.0047374
4 網路速度 0.0038205
5 語音系統 0.0036247
6 遊戲資歷 0.0020035
7 年齡 0.0019099
8 遊戲地點 0.0017673
9 遊戲定位 0.001676
10 電腦型式 0.0005079
11 類似遊戲 0.0000501
表 4-15 資訊獲利率順序排名表
47
由上述分析得知表 4-16 貝氏網路分析的 F-Measure 值為 0.653，而表 4-17 決策樹分析的 F-Measure 值為 0.674。表 4-18 為新增四項因素(認識人數、遊戲 地點、電腦型式、網路速度)分類之後的貝氏網路分析及決策樹分析前十名的研 究排行表。
分析技術/貝氏網路分析 Precision Recall F-Measure 0.602 0.714 0.653 0.545 0.42 0.475 Weighted Avg. 0.576 0.576 0.573
分析技術/決策樹分析 Precision Recall F-Measure 0.595 0.778 0.674 0.563 0.35 0.432 Weighted Avg. 0.58 0.586 0.565
排名 貝氏網路分析 F-Measure 值
決策樹分析 F-Measure 值
1 電腦型式、網路速度 0.709 電腦型式、網路速度 0.71 2 遊戲地點、電腦型式 0.707 遊戲地點、電腦型式 0.71
表 4-16 貝氏網路分析表
表 4-17 決策樹分析表
表 4-18 貝氏網路分析及決策樹分析排行表
48
49
由上述分析表得知表 4-19 貝氏網路分析 F-Measure 值為 0.643，表 4-20 決 策樹分析 F-Measure 值為 0.646。與四項共同因素相比，F-Measure 值明顯的降 低。因此，可以得知並非前五名的因素聚集在一起，即可獲得最佳的結果。反而，
有可能會互相影響，造成反效果。
接著測試由資訊獲利率前三名所組成的因素分類(認識人數、遊戲角色、職 業)，是否能得到最佳的研究結果，以幫助本研究達成研究目的。表 4-21 及表 4-22 為貝氏網路分析及決策樹分析，直接針對(認識人數、遊戲角色、職業)因 素分類的分析結果，其結果如下：
分析技術/貝氏網路分析 Precision Recall F-Measure 0.605 0.686 0.643
0.54 0.451 0.492 Weighted Avg. 0.576 0.58 0.575
分析技術/決策樹分析 Precision Recall F-Measure 0.595 0.708 0.646 0.533 0.409 0.463 Weighted Avg. 0.567 0.573 0.564
表 4-19 貝氏網路分析表
表 4-20 決策樹分析表
50
由上述分析結果得知表 4-21 貝氏網路分析 F-Measure 值為 0.661，表 4-22 決策樹分析 F-Measure 值為 0.657，其影響遊戲勝負的程度並不高。因此，若是 直接採用因素分析(資訊獲利率)上的排名因素直接進行研究分析。其研究結果可 能會產生誤差，也無法準確獲得影響遊戲勝負的關鍵因素。
藉由貝氏網路分析及決策樹分析這兩種分析技術的結果比較，得知兩種分析 技術，其研究結果均無太大差異。而且，透過兩種分析技術的比較，更能驗證研 究結果的準確性。因此，貝氏網路分析及決策樹分析皆適合運用於本研究，已達 成本研究之研究目的。
分析技術/貝氏網路分析 Precision Recall F-Measure 0.619 0.708 0.661 0.566 0.467 0.512 Weighted Avg. 0.595 0.6 0.594
分析技術/決策樹分析 Precision Recall F-Measure 0.591 0.74 0.657 0.539 0.374 0.441 Weighted Avg. 0.568 0.575 0.56
表 4-21 貝氏網路分析表
表 4-22 決策樹分析表
51
第五章 結論
5.1 結論
由於網路科技發展迅速，線上遊戲的種類層出不窮，遊戲公司也推出了多款 線上遊戲來吸引遊戲玩家。而線上遊戲的特效、遊戲畫面、故事劇情及 3D 技術，
更是吸引遊戲玩家的主要原因之一，同時帶來更多的商機。
即時戰略的 DOTA 遊戲，更是近年來熱門的線上遊戲。而如何在 DOTA 遊戲中 獲得勝利，其遊戲過程中可能具備多項影響因素，本研究歸納出四項因素，包含 認識人數、遊戲地點、電腦型式及網路速度。因此，本研究透過蒐集、彙整 DOTA 遊戲玩家於遊戲過程中可能因上列因素而導致勝敗的情形，並利用因素分析之技 術，來發掘出影響遊戲勝負的關鍵，此即為本研究所欲探討的目的。
本研究以 DOTA 遊戲英雄聯盟為目標，於數據蒐集期間內（102 年 4 月 1 日 至 102 年 6 月 30 日）以 30 幾位遊戲玩家為研究對象，總計 570 多筆研究資料，
並於遊戲結束後，將可能影響遊戲勝敗的相關因素填於研究表格內，資料蒐集完 畢後，即進行資料轉換，並透過分類技術(貝氏網路分析及決策樹分析)，從中統 整歸納出導致遊戲勝負的關鍵因素。
因此本研究先以貝氏網路分析及決策樹分析方法，將可能影響遊戲勝負的情 形統整，再進行因素分析(資訊獲利率)，藉以確認影響遊戲勝負的關鍵點，並將 研究結果所呈現的關鍵因素，再次進行貝氏網路分析及決策樹分析，分別比較、
驗證兩者所得研究結果是否相同，以此驗證與結果是否符合。
透過文獻得知，團隊合作可能是現今影響線上遊戲的發展重點，而語音系統 在遊戲中同樣也具有重大影響。因此，本研究藉由使用貝氏網路分析及決策樹分 析方法的雙重分析來驗證，得知團隊因素對遊戲勝負的影響，並了解影響團隊合 作之相關因素對遊戲目標的達成是至關重要的。
透過本研究之研究分析，及驗證結果。得知本研究於第一章所提出之研究目
52 的皆已達成，其目的如下：
1.運用資料探勘技術探討本研究所列舉之因素，是否有影響勝負的因素。(請參閱 第四章 4.3.3 因素分析，P.4 4)
2.運用因素分析技術發掘出影響遊戲勝負的關鍵因素。(請參閱第四章 4.3.3 因素 分析，P.4 4)
5.2 研究問題討論及研究限制
5.2.1 研究問題討論
1.影響線上遊戲勝負之因素:
本研究透過貝氏網路分析及決策樹分析，得知影響遊戲勝負的四項因素，分 別為認識人數、遊戲地點、電腦型式及網路速度。但是，並非這四項因素，皆能 單獨對遊戲勝負產生同等程度的影響。例如，觀察表 4-6「貝氏網路分析
本研究透過貝氏網路分析及決策樹分析，得知影響遊戲勝負的四項因素，分 別為認識人數、遊戲地點、電腦型式及網路速度。但是，並非這四項因素，皆能 單獨對遊戲勝負產生同等程度的影響。例如，觀察表 4-6「貝氏網路分析