經由上述的實驗可以得到每一筆測試資料的房價預測值，這個預測值是經由 學習過後，房價預測模型依據測試房屋與訓練房屋的相似度，所給予的分數，因 此從相似度的地方著手。生病的人才需要看醫生，不好的房子才需要做診斷，所 以在此實驗中，我們將被預測出是風水不好的房屋拿出來做診斷。風水不好的房 屋判斷依據是依照相對房價預測的結果，只要預測結果低於 0.5 的將被拿出來做 風水上的診斷，測試的資料總共 1319 筆。診斷方法採用的是最近鄰居法(KNN)，
K 等於 9。首先，我們把有列入訓練及測試的核心拿出來做診斷，診斷的內容不 包含外部特徵。將每一個特徵利用原本計算相似度的距離公式作為最近鄰居法距 離計算公式，找出與訓練資料相鄰的 9 個點後，判斷是好或壞的風水占多數，利 用多數來判定目前這個風水特徵屬於好或是不好。將這些被診斷出來不好的風水，
作為建議提供給使用者。為了確認我們的方法不只是把低價的房屋挑出來做診斷，
所以將所有低於 0.5 的房屋依照各自的價格排序，如圖 5.2-3 所示。房屋外型的 診斷結果如表 5.2-11 所示。
圖 5.2-3. 預測風水不好的房屋依照價格排序圖
表 5.2-11. 房屋外型的診斷結果展示
趨近好的特徵(房屋外型)
趨近不好的特徵(房屋外型)
表 5.2-12. 門的位置診斷結果展示
趨近好的特徵(門的位置)
趨近不好的特徵(門的位置)
由於門的位置，在風水書[1]中的定義比較明確，我們可以明確的看出在格局 圖中是否真的存在門對門的情形，因此我們做了一個驗證門的位置診斷是否有效 的實驗。我們檢視每一張格局圖中是否真的門對門的情形，和診斷出來的結果做 比較，比較的結果以表 5.2-13 作呈現。
表 5.2-13. 門的位置診斷結果與真實情況之比較
門對門
預測
有 沒有
真實
有 510 146
沒有 345 318
在其他內部特徵的實驗中，除了房屋外型及門的位置，有使用的內部特徵，
診斷結果將以展示的方法呈現，表 5.2-12 為門的位置做出的診斷、表 5.2-14 為 浴廁的特徵做出的診斷、表 5.2-15 為臥室的特徵做出的診斷、表 5.2-16 為房間 之間最短距離做出的診斷、表 5.2-17 為絕對位置的特徵做出的診斷、表 5.2-18 為相對位置的特徵做出的診斷。
表 5.2-14. 浴廁的特徵診斷結果展示
趨近好的特徵(浴廁的特徵)
趨近不好的特徵(浴廁的特徵)
表 5.2-15. 臥室的特徵診斷結果展示
趨近好的特徵(臥室的特徵)
趨近不好的特徵(臥室的特徵)
表 5.2-16. 房間流通性診斷結果展示
趨近好的特徵(房間流通性)
趨近不好的特徵(房間流通性)
表 5.2-17. 絕對位置的特徵診斷結果展示
趨近好的特徵(絕對位置)
趨近不好的特徵(絕對位置)
表 5.2-18. 相對位置的特徵診斷結果展示
趨近好的特徵(相對位置)
趨近不好的特徵(相對位置)
結論
在本論文中，我們利用房屋格局圖來做風水上的研究，且提出了新的計算房 屋格局圖特徵的方法，設計概念皆來自於風水，因此不包含低階的影像特徵。這 些特徵包含了風水中多個層面，設計時對於房屋與各房間外型、整體房型架構及 門的位置皆有著墨。本論文利用與內部風水相關的特徵，透過機器學習的方式，
觀察目前市售的房屋中，格局圖與其訂價的關係，再使用測試的結果解釋其影響 力。我們發現房屋內部的風水影響房屋訂價，且在模型建立中也獲得了風水影響 的資訊，包括內部風水影響的程度為何。在診斷的部分，由於書中沒有定義確切 的房間外型或位置，導致部分診斷無法讓使用者明白正確的修改方向。但我們提 出的方法可以提供其與其他房屋比較結果，包括趨近於好或壞的房屋範例。藉由 此資訊作為參考，考慮自己的房屋是否需要修改。
參考文獻
[1] 謝沅瑾(2004)。《謝沅瑾居家風水教科書》。台北市：柏室科技藝術。
[2] 永慶房仲網6。
[3] 〈中華民國內政部建築法〉7( 民國 100 年 01 月 05 日修正 )。
[4] Der-Yang Hong, Chu-Chia Lin, “A Study on the Impact of Subway System and Road Width on the Housing Prices of Taipei”, Journal of Housing Studies, volume 8, pp. 47-67, August 1999.
[5] Chu-Chia Lin, Sue-Jing Lin, “An Analysis of the Effect of Environment Quality and Public Facilities on Housing Prices and Rents in Taiwan”, Journal of
Housing Studies, volume 1, pp. 21-45, January 1993.
[6] Chu-Chia Lin, Li-Jung Huang, “An Estimation of the Impact of Unwanted Fengshui on the Prices of Commercial Real Estate in Taiwan”, Journal of
Housing Studies, volume 23 no. 1, pp. 51-72, June, 2014.
[7] Rakotomamonjy, A., Bach, F., Grandvalet, Y., & Canu, S., “Simplemkl”, Journal
of Machine Learning Research, Volume 9, pp. 2491–2521, 2008.
[8] C. Cortes, M. Mohri, and A. Rostamizadeh, “Learning Nonlinear Combinations of Kernels”, in NIPS 22, pp. 396–404, 2009.
[9] S. Sonnenburg, G. R¨atsch, C. Sch¨afer, and B. Sch¨olkopf, “Large Scale Multiple Kernel Learning”, Journal of Machine Learning Research, vol. 7, pp. 1531–1565, 2006.
[10] S. Vishwanathan, Z. Sun, N. Ampornpunt, and M. Varma, “Multiple Kernel Learning and the SMO Algorithm”, in NIPS, pp. 2361–2369, 2010.
6 http://www.yungching.com.tw/
7 http://glrs.moi.gov.tw/LawContentDetails.aspx?id=FL003824&KeyWordHL=&StyleType=1, 2011
[11] Ashesh Jain, S. V. N. Vishwanathan and M. Varma. “SPG-GMKL: Generalized Multiple Kernel Learning with a Million Kernels”, in Proceedings of the ACM
SIGKDD Conference on Knowledge Discovery and Data Mining, Beijing, China, August 2012.
[12] Serhat S. Bucak, Rong Jin, and Anil K. Jain, “Multiple Kernel Learning for Visual Object Recognition: A Review”, IEEE Transactions on Pattern Analysis and
Machine Intelligence, volume 36, no. 7, pp. 1354-1369, July 2014.
[13] 緯來綜合台(2014)。《風水!有關係:好風水不求人》。台北市：時報文化。
[14] Dengsheng Zhang, Guojun Lu, “Shape-Based Image Retrieval Using Generic Fourier Descriptors”, International Journal of Signal Processing: Image
Communication, pp. 825-848, August 2001.
[15] C. C. Chang and C. J. Lin, “Libsvm: a Library for Support Vector Machines”,