研究結果

本章將根據研究目的呈現研究的結果，共分四節，分別呈現單一貝氏網路、

融合演算法與結合分類器方法的辨識效果，並在最後整理各方法的辨識效果比較 分析。

第一節 單一貝氏網路的辨識結果

本研究中，由於使用的貝氏網路結構，節點數量較多，資料量龐大，所以將 各節點的辨識率平均，以平均辨識率來呈現結果，每個測驗各別的單一貝氏網路 辨識率，整理結果如表4-1，並且將最大的平均辨識率整理於最後一欄，以便於 比較多重貝氏網路結合的辨識效果。

表4- 1 單一貝氏網路辨識率 BN1 BN2 BN3 BN4 BN5

單一貝氏網 路最大平均

辨識率 測驗 1 91.30% 90.68% 91.77% 91.27% 91.02% 91.77%

測驗 2 95.53% 95.48% 95.40% 95.88% 95.86% 95.88%

測驗 3 88.35% 88.12% 88.63% 87.75% 89.06% 89.06%

測驗 4 92.94% 93.00% 93.21% 92.97% 92.91% 93.21%

測驗 5 91.42% 91.60% 91.59% 91.41% 91.16% 91.60%

測驗 6 92.79% 92.19% 92.06% 92.75% 92.60% 92.79%

由表4-1 可觀察得知，貝氏網路已經可以達到不錯的辨識率，約略都有 90%

以上，但是五個貝氏網路結構的辨識率，辨識效果無太大差異。這個結果顯示，

由專家制定的貝氏網路，能夠具有一定的辨識率，但是想要再將辨識率有更高的 提升，是有其困難所在的。

第二節 融合演算法的辨識結果

此節所呈現的結果是謝典佑(2006)的研究中，使用的六種融合演算法的辨識 效果，其呈現的方法亦是全部節點的平均辨識率，表4-2 為六種融合演算法在各 個測驗上平均的辨識率。

表4- 2 六種融合演算法辨識結果 最大演

算法

最小演 算法

乘積演 算法

投票演 算法

平均演 算法

結構融合 演算法

貝氏網路最 高辨識率 測驗 1 90.68% 91.49% 88.08% 91.55% 91.71% 91.96% 91.77%

測驗 2 95.02% 95.87% 95.36% 95.71% 96.01% 96.09% 95.88%

測驗 3 87.78% 89.00% 80.07% 89.36% 89.39% 90.11% 89.06%

測驗 4 93.25% 93.24% 90.19% 93.27% 93.31% 93.34% 93.21%

測驗 5 91.61% 91.73% 81.02% 91.70% 91.73% 91.82% 91.60%

測驗 6 92.44% 92.08% 87.68% 92.69% 92.68% 92.82% 92.79%

由表4-2 結果，對於最大演算法、最小演算法以及乘積演算法來說，在六個 測驗裡面，只有少部份的結果能夠提升辨識率，其他部份的表現皆不理想；而投 票演算法與平均演算法的辨識率雖然也只有少部份測驗能達到提升的效果，但是 其他的測驗辨識率與最高的貝氏網路辨識率差異不會太大。在這六種融合演算法 之中，以結構融合演算法來融合多重貝氏網路，在所有的測驗上，辨識率皆有所 提升，且能比其他的演算法提升更高的辨識率，其研究結果與謝典佑的研究成果 相符，故本研究將以結構融合演算法的辨識率作為比較的校標。

第三節 結合分類器演算法的辨識結果

本節所呈現的結果是以分類器來做辨識的分類效果，其呈現的方法亦是全部 節點的平均辨識率，表4-3 為四種利用分類器在各資料集進行分類的平均辨識率。

表4- 3 分類器在各資料集的平均辨識率

BI_1NN BI_SVM PB_1NN PB_SVM 測驗 1 57.36% 91.86% 90.25% 92.76%

測驗 2 67.96% 95.85% 96.07% 97.45%

測驗 3 64.74% 89.37% 87.45% 90.63%

測驗 4 71.33% 93.17% 90.20% 93.93%

測驗 5 62.45% 91.64% 87.72% 92.43%

測驗 6 70.54% 91.36% 89.48% 92.98%

由表4-3 結果可知，對於先轉換成 2 元狀態後輸入 1NN 分類器的辨識方法，

表現結果非常的差，在各測驗中的表現大約只能達到65%左右；而轉換成 2 元狀 態後輸入SVM 分類器的辨識率，在各個測驗的辨識率，還是有約 91%的辨識水 準。而將原始的後驗機率值直接輸入至分類器的辨識方法，SVM 分類器的表現 皆比1NN 分類器的辨識率高，在各測驗中的辨識率約有 92%以上。

綜合觀察表4-3 的結果，可以歸納出兩個結論，利用分類器來做辨識，用後 驗機率值當其輸入值的方法較佳，因為輸入值所能提供的資訊越多，分類正確的 比率就會越高。第二個結論是，SVM 分類器的表現在兩種輸入方法上，皆比 1NN 分類器的辨識率較佳，特別是BI_1NN 的方法，辨識率反而降低許多，顯示此方 法不適用於多重貝氏網路的結合應用上。

第四節 綜合比較

綜合表4-1、表 4-2 及表 4-3，將各表中表現最佳的辨識率綜合比較，圖 4-1 為綜合的比較圖，縱座標為辨識率，橫座標為測驗編號。

圖中的藍線，代表的是單一貝氏網路最大的平均辨識率，在各測驗中，辨識 率比另兩種演算法為低；綠色的線代表的是融合演算法中，辨識率最高的結構融 合演算法，在各測驗之中，表現皆比單一貝氏網路佳；而紅色的線是PB_SVM，

在所有測驗中，表現最佳，皆能提升貝氏網路的辨識率，且提升的辨識率，大約 比結構融合演算法高出0.5%~1.5%的辨識率，也就是說，用 SVM 結合多重貝氏 網路的表現，優於其他結構、演算法的辨識效果。

88.00%

89.00%

90.00%

91.00%

92.00%

93.00%

94.00%

95.00%

96.00%

97.00%

98.00%

1 2 3 4 5 6

單 一 貝 氏 網 路 最 大 平 均 辨 識 率

結 構 融 合 演 算 法

PB_SVM

圖 4- 1 綜合比較圖