4-1 前言
本 汽 車 保 險 行 銷 例 題 來 自 於 著 名 資 料 探 勘 網 站 UCI KDD Archive 中關於多變數類型的資料集（Data set），其數據為 CoIL2000 競賽題目，本章同樣利用類神經網路方法中的倒傳遞網路與決策樹方 法，試圖從取得之數據中建立購買汽車保險的顧客模型。
4-1-1 資料描述
本例題所取得之數據原為競賽題目，因此數據取得時已經過初步 整理，其中共有 5822 筆顧客記錄，每筆記錄包含 86 個變數，變數 1
～43 為人口統計資料，包含教育程度、收入、工作類型等…；44～
85 為保險產品資料，包含顧客所購買的其他保險以及是否有出險紀 錄等；變數 86 為是否購買汽車保險，為輸出變數。
4-1-2 變數篩選
本例題因輸入變數數目龐大，因此，將原始數據利用 XLminer 軟體中 Logistic Regression 的逐步迴歸功能，將變數篩選至僅留下 7 個輸入變數，表 4.1 為變數篩選後的結果。
4 488
表 4.1 篩選後的變數
變數內容 變數型態
第 18 項 Lower level education 連續值：0~9 第 22 項 Middle management 連續值：0~9 第 47 項 Contribution car policies 連續值：0~9 第 64 項 Contribution social security
insurance policies 連續值：0~9 第 65 項 Number of private third party
insurance 連續值：1~12 第 68 項 Number of car policies 連續值：0~2 第 82 項 Number of boat policies 連續值：0~2 輸出變數 Number of mobile home
policies 離散值：0~1
原數據中輸出變數的部分，紀錄為 1 者僅有 348 筆，而記錄為 0 者則有 5474 筆，因數量差異過大，故保留所有紀錄為 1 者，再從記 錄為 0 者中隨機挑選出 348 筆，將兩者合併，因此，本例題所用之數 據為 696 筆。
4-1-3資料前處理
本例題資料前處理方式與 3-1-3 節類似，主要分成類神經網路方 法與決策樹網路方法二種，不過由於原始數據已是數值形式，因此在 類神經網路方法中可以直接運用，而決策樹方法僅需針對數值的屬性 加以設定，如表 4.2 所示，即可以進行模型建構。
表 4.2 決策樹方法數值屬性設定
變數 數值屬性
第 18 項 連續值 第 22 項 連續值 第 47 項 連續值 第 64 項 連續值 第 65 項 連續值 第 68 項 連續值 第 82 項 連續值 輸出變數 離散值
4-2 類神經網路方法
4-2-1模型建構
利用類神經網路方法中的倒傳遞網路建立模型，使用 PC Neuron 軟體，網路設定值方面則參照 3-2-1 節之設定方式，訓練範例為 348 筆，測試範例為 348 筆，學習循環次數則使用最佳化設定，如表 4.3 所示，隱藏單元數分別為 2、4、8、16、32 個，其他設定部分則使用 軟體建議值。
5 500
表 4.3 最佳化學習循環次數
隱藏單元數 學習循環次數
2 1000 4 1000 8 500 16 500 32 500
利用上述設定產生傳遞網路模型，並繪製測試範例提升圖，以及 記錄軟體所產生之混亂矩陣、敏感性分析及誤判率。
圖 4.1～圖 4.5 為各隱藏單元數之最佳學習循環次數測試範例提 升圖。
0 50 100 150 200
0 50 100 150 200 250 300 350 400
會員與非會員人數 會
員 人 數
圖 4.1 隱藏單元數=2，學習循環=1000 之測試範例提升圖
0 50 100 150 200
0 50 100 150 200 250 300 350 400
會員與非會員人數 會
員 人 數
圖 4.2 隱藏單元數=4，學習循環=1000 之測試範例提升圖
0 50 100 150 200
0 50 100 150 200 250 300 350 400
會員與非會員人數 會
員 人 數
圖 4.3 隱藏單元數=8，學習循環=500 之測試範例提升圖
5 522 0
50 100 150 200
0 50 100 150 200 250 300 350 400
會員與非會員人數 會
員 人 數
圖 4.4 隱藏單元數=16，學習循環=500 之測試範例提升圖
0 50 100 150 200
0 50 100 150 200 250 300 350 400
會員與非會員人數 會
員 人 數
圖 4.5 隱藏單元數=32，學習循環=500 之測試範例提升圖
由圖 4.1～圖 4.5 可知，各隱藏單元數之測試範例提升圖，在學 習循環最佳化後其結果差異性不大。
表 4.4 為軟體所產生之測試範例混亂矩陣（Confusion Matrix）
表 4.4 測試範例混亂矩陣
隱藏單元數 實際
推論 是 否 合計
是 130 68 198
否 44 106 150
2
合計 174 174 348
是 120 59 179
否 54 115 169
4
合計 174 174 348
是 123 66 189
否 51 108 159
8
合計 174 174 348
是 121 63 184
否 53 111 164
16
合計 174 174 348
是 118 62 180
否 56 112 168
32
合計 174 174 348
5 544
表 4.5 敏感性分析
隱藏單元數=2 隱藏單元數=4 隱藏單元數=8 隱藏單元數=16 隱藏單元數=32
項目 是 否 是 否 是 否 是 否 是 否
第 18 項 -4.4 4.4 -4.5 4.5 -4.4 4.4 -4.2 4.3 -4.3 4.2 第 22 項 1.1 -1.1 4.1 -4.1 2.0 -2.0 3.0 -3.0 1.9 -1.9 第 47 項 22.1 -22.1 28.7 -28.7 21.3 -21.4 26.9 -26.9 28.8 -28.5 第 64 項 7.5 -7.5 -4.0 4.0 -4.3 4.3 -4.9 5.0 -5.0 4.9 第 65 項 1.9 -1.9 4.5 -4.5 1.9 -1.9 3.9 -3.9 4.1 -4.1 第 68 項 2.9 -2.9 -1.6 1.6 1.9 -1.9 -0.9 0.9 -0.3 0.2 第 82 項 9.4 -9.4 8.3 -8.3 9.5 -9.5 9.6 -9.7 8.4 -8.3
最後，經由倒傳遞網路建立之模型誤判率，表示於表 4.6。
表 4.6 學習循環數最佳化之測試範例誤判率
隱藏單元數 學習循環次數 誤判率
2 1000 32.2%
4 1000 32.4%
8 500 33.0%
16 500 33.1%
32 500 34.0%
由上表可知，當隱藏單元數越多，測試範例誤判率有升高的趨 勢，但經過學習循環數最佳化之後，誤判率升高的幅度並不顯著。
4-3 決策樹方法
將 4-1-4 節 中 對 於 決 策 樹 方 法 所 做 的 資 料 前 處 理 數 據 載 入 XpertRule Miner 軟體中建立決策樹模型，設定方式則利用軟體內建的 自動歸納功能，將分支最小範例數設為「10」，分支最大顯著性設定 為「None」，分支判定準則設定為「Entropy」，並在決策樹形成後 利用人工方式修剪，以確保所形成的決策樹具有較佳的「普遍性」。
4-3-1決策樹模型建立與修剪
5 566
圖 4.6 未修剪之決策樹
由上圖可知，未修剪之決策樹規則共 13 項，而訓練範例誤判率 為 31.0%，測試範例誤判率為 38.7%。
接著，利用手動方式修剪，修剪方式同 3-3-2 節所述，修剪完成 之決策樹模型表示於圖 4.7。
圖 4.7 修剪後之決策樹
5 588
表 4.7 修剪後之規則
規則邏輯
規則 1
{Contribution car policies(47 項)≦0} and { Middle management (22 項)≦3}
and{ Number of private third party insurance (65 項 ) ≦ 0} Then 購買 = Yes(22.6%) ; No(77.4%)
規則 2
{Contribution car policies(47 項)≦0} and { Middle management (22 項)≦3}
and{ Number of private third party insurance (65 項)>0} Then 購買=
Yes(20.6%) ; No(79.4%)
規則 3 {Contribution car policies(47 項)≦0} and { Middle management (22 項)>3}
Then 購買=;Yes(45.7%) ; No(54.3%)
規則 4 {Contribution car policies(47 項)≧1}and{ Lower level education(18 項≦
3}and{ Middle management (22 項)≦2} Then 購買= Yes(79.3%); No(20.7%) 規則 5
{Contribution car policies(47 項)≧1}and{ Lower level education(18 項) ≦ 3}and{ Middle management (22 項)>2}and{ Number of private third party insurance (65 項)≦0} Then 購買= Yes(53.8%) ; No(46.2%)
規則 6
{Contribution car policies(47 項)≧1}and and{ Lower level education(18 項) ≦ 3}and{ Middle management (22 項)>2}and{ Number of private third party insurance (65 項)>0} Then 購買= Yes(69.6%) ; No(30.4%)
規則 7
{Contribution car policies(47 項)≧1}and and{ Lower level education(18 項)
>3}and{ Middle management (22 項 ) ≦ 1} Then 購 買 = Yes(50.0%) ; No(50.0%)
規則 8 {Contribution car policies(47 項)≧1}and and{ Lower level education(18 項)
>3}and{ Middle management (22 項)>1} Then 購買= Yes(58.7%) ; No(41.3%)
依照表 4.7 的規則，可已歸納出第 47 項（Contribution car policies）、第 22 項（Middle management）、第 18 項（Lower level education）、第 65 項（Number of private third party insurance）是重 要的輸入變數。
4-3-2 混亂矩陣
由測試範例混亂矩陣可看出決策樹方法對於結果判定的效果，如 表 4.8 所示。
表 4.8 決策樹方法之測試範例混亂矩陣 實際
推論
是 否 合計
是 134 81 215
否 40 93 133
合計 174 174 348
4-3-3 提升圖
圖 4.8 為決策樹方法之測試範例提升圖。
0 50 100 150 200
0 50 100 150 200 250 300 350 400
購買與否人數 購
買 人 數
圖 4.8 決策樹方法之測試範例提升圖
6 600
對於本例題而言，利用類神經網路方法與決策樹方法所產生的結 果差異，分成以下三點討論：
1. 誤判率
以誤判率而言，類神經網路方法在經由學習循環數最佳化後，其 測試範例誤判率以隱藏單元數為 2 時最低，為 32.2%，而決策樹方法 在經過修剪後之測試範例誤判率為 34.7%，兩者差異幅度有限，因 此，可說此二種方法在本例題中所建立的模型準確率相當。
2. 敏感性分析
在類神經網路方法中，利用敏感性分析所判斷出的輸入變數重要 性，參照表 4.5，當隱藏單元數為 2 時，大於 4 的變數依數值大小為 Contribution car policies、Number of boat policies、Number of private third party insurance、Lower level education；決策樹方法所判斷之重 要變數為 Contribution car policies、Middle management、Lower level education、Number of private third party insurance，二方法中有三項變 數相同，分別是 Contribution car policies、Lower level education 及 Number of private third party insurance，不同的變數為 Number of boat policies 及 Middle management，此二項變數意義為是否有購買船隻保 險及是否為中階管理人員，一般而言，有能力購買船隻的人應具有一 定經濟能力，因此，雖然此二項變數不同，但其意義確有相似的地方，
表 4.9 為整理重要輸入變數比較。
表 4.9 重要輸入變數
方法
排序 類神經網路方法 決策樹方法
1 第 47 項 Contribution car policies
第 47 項 Contribution car policies 2 第 82 項
Number of boat policies
第 22 項 Middle management 3 第 65 項
Number of private third party insurance
第 18 項 Lower level education 4 第 18 項
Lower level education
第 65 項
Number of private third party insurance
圖 4.9 為決策樹層級與類神經網路敏感性分析絕對值對於重要輸入變 數判定之結果。
0 5 10 15 20 25
1 2 3 4
1
類神經網路-敏感性分析絕對值 決
策 樹 層 級
Contribution car policies
Number of boat policies Number of private third party insurance Lower level education
圖 4.9 二方法重要輸入變數 3. 測試範例提升圖
比較類神經網路方法中隱藏單元數為 2 時的測試範例提升圖，如
6 622