資料探勘技術

資料探勘之技術主要分為三部分：群集分析(cluster analysis)、屬性特徵 (attribute relation)和決策樹(decision tree)，群集分析是將一大筆數據，根據相似度 分類成幾個同性質的群集，接著依照群集之間的相互關係，推算出屬性的特徵和 分布趨勢，最後建立對於此大筆數據的決策樹。決策樹的結構顧名思義是以樹狀 結構來劃分，包含了深度(depth)、節點(nodes)和樹葉(leaves)的結構，其中，每個 節點皆為分類的測試條件，相同於程式語言中的 if-else 的選擇性結構，藉由測試 結果將資料分類到枝幹(branch)，接著繼續往下一個節點的測試條件…依此方式 繼續分類，最後可獲得決策之結果。

4.1.1 機器學習工具

使用資料探勘的技術，收集每一筆數據後，透過機器學習的方式，可以有效 的分析各數據的屬性特徵，建立出一個合適的決策樹。藉由 WEKA (waikato environment for knowledge analysis)之軟體工具[9]，可以提供資料探勘所需的機器 學習工具，WEKA 是一個免費的軟體，同時也是開放原始碼(open source)的資料 探勘工具，提供了許多機器學習演算法(machine learning algorithms)和工具，能對 於將被探索的數據進行預先處理，像是資料探勘中的數據分群、群集分析與可視 覺化的數據分析。

4.1.2 ARFF 檔案格式

WEKA 專用之輸入的檔案格式為屬性關係文件格式 (attribute-relation file format: ARFF)，如圖 4.1 所示，ARFF 檔案內容包含 3 個部分，第一個部分(紫色 方框)為統計資料具有屬性關係(relation)的檔案標題；第二部分(藍色方框)根據不 同屬性，依序排列並宣告屬性名稱，且包含之後每一行和每一列原始數據的屬性 值，其中，屬性的資料類型如 NUMERIC 為數字型，其內容只能是實數或整數。

在建立決策樹的情況下，第二部分的最後一行為最後分類之結果，而此類別變數 為標稱型屬性，只能在兩類中取一個，故成為二元(binary)的分類，第三部分(粉 色方框)為根據第二部分所有的屬性，依序對應之屬性的數據。使用資料探勘之 機器學習工具 WEKA 進行分析數據，必須先提取出個屬性的數據，將其改寫成 ARFF 之檔案格式後，才能透過 WEKA 的機器學習演算法，建立出適合的決策 樹。

圖 4.1、WEKA 專用格式(ARFF)示意圖

4.1.3 透過 C4.5 演算法建立決策樹之方法

WEKA 所提供的多種機器學習演算法中，包含了 C4.5 演算法[10]，最常使 用在建立決策樹方面，最主要的優點是形象直觀易懂。C4.5 機器學習演算法是基 於資訊理論中的熵編碼，將各種屬性所發生的情況(situation)，先透過資料增益 (information gain)計算各種屬性對於最後結果的獲益率，再透過屬性的分裂資訊 (split information)調整資訊增益，最後算出資訊增益率(gain ratio)。資料增益率由 以下五個公式來計算：

(4.3) 訊增益率為 0.44，Temp 之資訊增益率為 0.019，Humidity 之資訊增益率為 0.152，

Wind 之資訊增益率為 0.0497，最後以資訊增益率最大的屬性作為分裂節點，由 𝐺𝑎𝑖𝑛(𝑆, 𝐴) = 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) − 𝐸𝑛𝑡𝑟𝑜𝑝𝑦_𝐴(𝑆)

天氣狀況之屬性所計算的資料增益率中，最大者為 Outlook，故屬性 Outlook 為 決策樹最初的分裂節點，如圖 4.2

所示，Outlook 有三種發生情況，所以在 Outlook 之分裂節點下會有三個分支，

分別為 Sunny、Overcast、Rain，接著依序使用上述方式計算出資訊增益率，即可 建立出完整的決策樹。

表 4.1、C4.5 演算法之範例介紹表

圖 4.2、C4.5 演算法如何建立決策樹之示意圖