• 沒有找到結果。

第四章 系統展示

4.2 結果展示

在進行關聯規則挖掘前先將展廳進行編號,在史前館中共有 14 個常設展廳,

在史前館除了常設展廳,另外設有人類的演化展覽區域,其形式是以通道的方式 進行展覽介紹,在本研究中也將其視為一展廳加入關聯規則挖掘中,而宏館新藏 是在展示廳旁的通道中進行展示,在本研究中也將其視為一展廳加入關聯規則挖 掘中,而服務台雖然有一些展示,但在本研究中不將其視為展廳故將其排除,在 地下一樓的中庭區也有介紹不過在本研究中尚無相關資料故將其排除,各展廳以 代號表示(如表 4.1)

表 4.1 展廳代號表,本研究整理

27

id 展廳編號 展廳名稱

1 A1 誕生

2 A2 冰期

3 A3 新世代

4 A4 人類的演化

5 A5 臺灣史前序幕

6 A6 臺灣史前人的生活

7 A7 臺灣史前陶器

8 A8 臺灣史前人與海洋

9 A9 卑南遺址的卑南文化

10 A10 巨石與祭祀

11 A11 臺灣史前石器與玉器

12 A12 鐵器時代

13 A13 宏館新藏

14 A14 社會人群關係

15 A15 工藝、生計與社會

16 A16 祭儀與精靈觀念

在關聯規則挖掘中訂定基本條件,所有資料筆數為 309 筆,觀眾至少應該出 現 N 次停留在展廳 A 及展廳 B 的情況,展廳項目集的頻繁度至少需要 30 名觀 眾樣本支持,故設定最小支持度次數為 30 次,亦即 10%,最小信賴度設定為 50%,

產生的最小項目集中至少要有 1 個項目,至多 2 個項目。

圖 4.6 關聯規則篩選條件,本研究整理

利用 Apriori 演算法產生候選項目集,項目集為 1 時共有 16 筆項目達到標準。

28

也就是說所有的展廳皆達到最低門檻的標準(如表 4.2)。

表 4.2 項目集為 1 的結果,本研究整理

Num Frequency itemset

1 132 A2

Num Frequency itemset

1 96 A6, A7

29

30

31

Id Confidence Importance Rule

1 0.76 0.60 A6 -> A7

32

24 0.53 0.19 A4 -> A3

25 0.53 0.34 A9 -> A10

26 0.53 0.38 A6 -> A5

27 0.52 0.23 A11 -> A10

28 0.52 0.13 A11 -> A6

29 0.52 0.13 A11 -> A8

30 0.51 0.37 A15 -> A14

31 0.50 0.30 A16 -> A14

本研究進行資料採礦後結果得到三個關聯規則群,第一個群體中的展廳分別 是冰期展廳與新世代展廳,此二展廳位於自然史展區內,而連接自然史展區與臺 灣史前文化展區的是人類的演化展廳。

圖 4.7 自然史展區關聯規則相依性網路,本研究整理

第二個關聯規則群是史前文化展區,由地下一樓的展廳所組成,圖 4.2 中以 史前館現有展區設計按位置對展廳進行排列,分別是臺灣史前序幕展廳、臺灣史 前人的生活展廳、臺灣史前陶器展廳、臺灣史前人與海洋展廳、卑南遺址的卑南 文化展廳、巨石與祭祀展廳、臺灣史前石器與玉器展廳、鐵器時代展廳、宏館新 藏展廳(如圖 4.2),可以發現展廳推薦較集中於左側及下方。

33

圖 4.8 臺灣史前文化展區關聯規則相依性網路,本研究整理

第二個群集裡三個展廳,分別是有祭儀與精靈觀念展廳、工藝、生計與社會 展廳、社會人群關係展廳。三個展廳皆隸屬於南島族群展區內。(如圖 4.3)

圖 4.9 南島民族展區關聯規則相依性網路,本研究整理

在關聯規則產生後即使用增益計算採礦模型對展廳的預測效益。本研究使用 SQL Server 2010 中的增益功能對展廳進行測量,本研究資料採礦模型在預測各 展廳所需的母體樣本數及預測機率(如表 4.5)。

本研究之關聯規則採礦模型是需要預測可能在該展廳中停留時間較久的觀 眾,例如:目標對可能會在臺灣史前人生活展廳中停留較長時間的觀眾,本研究 模型在母體擴展達 46%時,理論上可推薦給所有目標觀眾,但實際上推薦正確的

34

使用在關聯規則中的最小支持度與信賴度之乘積建立 Quality,Quality 參數 以矩陣的方式表示可表示為 A16*A16 展廳關聯規則表,由於本研究中只列出有

35

36

37

表 4.12 推薦預測分數,本研究整理

規則 計算 結果

A7->A8 (90+82.44)/(0.45+0.36) 212.8 A7->A9 (90+68.7)/(0.45+0.3) 211.6

38

相關文件