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