第四章 實例分析
第三節 系統實例操作
三、 類別型之目標變數實例分析
國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
62
在連續型數字目標變數的範例分析中，其資料頁面包含在變數選擇介面所 選擇的目標變數和解釋變數，第一行為目標變數資料，第二行之後依序為所選 的解釋變數。而分析頁面有兩種可以選擇預覽，分別是迴歸分析頁面和分類迴 歸樹頁面，在迴歸分析頁面，包含多種統計量和統計圖表，包括：散佈圖矩陣、
常態機率圖、殘差圖、模型係數、訓練集殘差值、訓練集估計值、測詴集樣本 及預測值、MAPE 值、ANOVA 表、95%信賴區間。分類迴歸樹的部分，包括：
迴歸樹、分枝準則、MAPE 值、測詴集樣本及預測值。迴歸分析和分類迴歸樹 兩種分析方法提供多種上述報表供使用者做參考。
三、類別型之目標變數實例分析
（一） 數字型二元類別
對於數字型二元分類之目標變數實例操作的部分，必頇選擇數字型類別資 料為目標變數做分析，將使用與數字型連續變數（非時間序列）實例分析一樣 的 Babies 資料檔，此資料檔包含 1,236 個懷孕母親和其新生兒的資料，此範例 我們想要預測嬰兒體重是大於 50%百分位數還是小於 50%百分位數，因此將變 數 bwt 嬰兒體重資料，以嬰兒體重少於 50%百分位數（120）為標的，將 bwt 變 數轉換成 0 和 1 數字型二元類別的資料另建一個 Babies1 檔，將以表格（表 4-4 Babies1 資料檔）簡述資料。
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
63
表4-4 Babies1 資料檔
變數名稱 資料型態 資料內容 資料筆數
bwt 數字型類別 0（bwt≧120） 632 1（bwt<120） 604
gestation 連續型 母親懷孕天數 1,223
NA 13
parity 類別型 0（第一胎） 921
1（第二胎） 315
age 連續型 母親年齡 1,234
NA 2
height 連續型 母親身高（inches） 1,214
NA 22
weight 連續型 母親體重（pounds） 1,200
NA 36
smoke 類別型 0（沒有抽菸） 752
1（有抽菸） 484 資料來源：TKU NetStat （http://netstat.stat.tku.edu.tw/）
接著，將以圖示的方式來介紹數字型二元分類目標變數之分析步驟，依序操作 由步驟一至步驟五：
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
64
步驟一、執行系統，顯示上傳資料之介面（圖 4-25 上傳欲分析資料之介面）。
圖4-25 上傳欲分析資料之介面
步驟二、選擇上傳此部分範例操作欲分析的 Babies1 檔案（圖 4-26 讀取 Babies1 資料檔）。
圖4-26 讀取 Babies1 資料檔
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
65
步驟三、檢視上傳之資料是否有誤，或者不符合系統之規定，若發現錯誤則點 選上一步返回資料上傳之介面。由於本資料含有 NA 值，一旦檢視資料無誤，
點選「下一步」後，系統則會自動將含有 NA 值的資料列刪除（圖 4-27 檢視上 傳資料）。
圖4-27 檢視上傳資料
步驟四、選擇本研究部分的資料採礦預測（Forecasting）功能（圖 4-28 資料採 礦功能之選擇）。
圖4-28 資料採礦功能之選擇
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
66
步驟五、選擇欲分析的目標變數和解釋變數，由於此部分的操作範例選擇目標 變數為數字型二元類別，故選擇 bwt 為操作範例的目標變數，即 bwt 小於 50%
百分位數令為 1，其餘為 0，而變數 gestation、parity、age、height、weight 和 smoke 當解釋變數，點選「確認」鍵，進行預測功能之分析（圖 4-29 變數選擇）。
圖4-29 變數選擇
當變數確定後，進行資料採礦預測功能之分析，由於目標變數 bwt 為數字 型二元類別資料，系統判斷會以類神經網路（Neural net）和二元分類羅吉斯迴 歸分析（Dichotomous logistic）建構模型。待資料採礦預測分析完成後，分析結 果頁面會發布成網頁的型式以供使用者預覽（圖 4-30 結果頁面預覽選擇），分 別有資料頁面（圖 4-31 資料頁面）、類神經網路（Neural net）分析頁面（圖 4-32 類神經網路分析頁面）以及二元分類羅吉斯迴歸分析（Dichotomous logistic）分 析頁面（圖 4-33 二元分類羅吉斯迴歸分析頁面）供使用者選擇預覽，而在分析 頁面中「Target.Variable」所代表是一開始所選擇的目標變數「bwt」。
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
67
圖4-30 結果頁面預覽選擇
圖4-31 資料頁面
可以選擇檢視結果頁面
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
68
圖4-32 類神經網路分析頁面
圖4-33 二元分類羅吉斯迴歸分析頁面
‧
二元分類羅吉斯迴歸（Dichotomous logistic）分析頁面。類神經網路分析頁面包 括：輸入層數（Input layer）、隱含層數（Hidden layer）、輸出層數（Output layer）、訓練集錯誤分類表、訓練集正確預測比率、測詴集錯誤分類表、測詴集正確預 測比例、權重、訓練集樣本及估計值、訓練集殘差值、測詴集預測值。二元分 類羅吉斯迴歸分析頁面包括：散佈圖矩陣、模型係數及標準差、偏差量殘差值
（Deviance Residuals）、訓練集殘差值、訓練集估計值、AIC 值、殘差偏誤值
（Residual deviance）、exp（模型係數）、參數的 95%信賴區間、exp（參數）的 95%信賴區間、Wald 檢定、Likelihood-ratio 檢定、訓練集錯誤分類表、訓練集 正確預測比例、訓練集錯誤分類表、訓練集正確預測比例。提供上述統計報表 以及花瓣寬度，iris 資料集的類別變數 Species 內容包含三種類型的花，包括 setosa、
versicolor 以及 virginica，因為此範例的操作需要數字型多元類別的目標變數，
所以將變數 Species 的內容做簡單的轉換，轉換成數字型的類別資料：setosa 類 別以 0 取代；versicolor 類別以 1 取代；virginica 類別以 2 取代，且將轉換過後 的資料檔命名為 iris1。將以表格（表 4-5 iris1 資料集）簡述資料。
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
70
表4-5 iris1 資料集
變數名稱 資料型態 資料內容 資料筆數
Sepal.Length 連續型 蕚片長度，以公分做記錄 150
Sepal.Width 連續型 蕚片寬度，以公分做記錄 150
Petal.Length 連續型 花瓣長度，以公分做記錄 150
Petal.Width 連續型 花瓣寬度，以公分做記錄 150
Species 類別型 0=setosa 50
1=versicolor 50 2=virginica 50 資料來源： Bulletin of the American Iris Society , 59 , 2-5
接著，將以圖示的方式來介紹分析步驟，分別由步驟一至步驟五：
步驟一、執行系統，顯示上傳資料之介面（圖 4-34 上傳欲分析資料之介面）。
圖4-34 上傳欲分析資料之介面
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
71
步驟二、選擇上傳欲分析的 iris1 檔案（圖 4-35 讀取 iris1 資料檔）。
圖4-35 讀取 iris1 資料檔
步驟三、檢視資料上傳是否正確，或者是否符合系統之限制，若不符合請點選 上一步回到資料上傳之頁面重新上傳（圖 4-36 檢視上傳資料）。
圖4-36 檢視上傳資料
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
72
步驟四、選擇進入資料採礦之預測功能（圖 4-37 資料採礦功能之選擇）
圖4-37 資料採礦功能之選擇
步驟五、挑選欲分析之目標變數和解釋變數，挑選 Species 為目標變數，其餘維 解釋變數。（圖 4-38 變數選擇）
圖4-38 變數選擇
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
73
變數選擇完成後，點選「確認」，接著進行資料採礦預測功能之分析，由於 iris1 資料檔裡的目標變數 Species 為數字型多元類別資料（setosa=0； versicolor=1；
virginica=2），因此系統會自動判斷以類神經網路（Neural net）和多元分類羅吉 斯迴歸分析（Polytomous logistic）建構模型。分析完成後，分析結果頁面最後 會發布成網頁的型式以供使用者預覽（圖 4-39 結果頁面預覽選擇），分別有資料 頁面（圖 4-40 資料頁面）、類神經網路（Neural net）分析頁面（圖 4-41 類神經 網路分析頁面）以及多元分類羅吉斯迴歸分析（Polytomous logistic）分析頁面
（圖 4-42 多元分類羅吉斯迴歸分析頁面）可以選擇預覽，資料頁面是一開始所 挑選的目標變數和解釋變數，其中第一行的資料為使用者所選擇的目標變數資 料，而在分析結果的頁面中，「Target.Variable」代表的是使用者一開始所選擇的 目標變數，方便使用者分辨目標變數和解釋變數。
圖4-39 結果頁面預覽選擇
可以選擇檢視結果頁面
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
74
圖4-40 資料頁面
圖4-41 類神經網路分析頁面
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
75
圖4-42 多元分類羅吉斯迴歸分析頁面
在數字型多元類別的目標變數範例分析中，其資料頁面包含在變數選擇所 選擇的目標變數和解釋變數，第一行為目標變數資料，第二行之後依序為所選 的解釋變數。而分析頁面有類神經網路分析頁面和多元分類羅吉斯迴歸分析頁 面可以選擇預覽，類神經網路分析頁面包括：輸入層數（Input layer）、隱含層數
（Hidden layer）、輸出層數（Output layer）、訓練集錯誤分類表、訓練集正確預 測比率、測詴集錯誤分類表、測詴集正確預測比例、權重、訓練集樣本及估計 值、訓練集殘差值、測詴集預測值。多元分類羅吉斯迴歸分析頁面包括：散佈 圖矩陣、模型係數、模型係數標準差、訓練集殘差值、訓練集估計值、AIC 值、
殘差偏誤值（Residual deviance）、exp（模型係數）、模型係數 T-test 統計量、模 型係數 T-test 的 P-value、訓練集錯誤分類表、訓練集正確預測比例、訓練集錯 誤分類表、訓練集正確預測比例。提供上述統計報表供使用者做參考。
‧
TRUE（bwt<120） 604gestation 連續型 母親懷孕天數 1,223 資料來源：TKU NetStat （http://netstat.stat.tku.edu.tw/）
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
77
接著，將以圖示的方式來介紹文字型二元分類之目標變數分析步驟，分別由步 驟一至步驟五：
步驟一、執行系統，顯示上傳資料之介面（圖 4-43 上傳欲分析資料之介面）。
圖4-43 上傳欲分析資料之介面
步驟二、選擇上傳欲分析的 Babies2 檔案（圖 4-44 讀取 Babies2 資料檔）。
圖4-44 讀取 Babies2 資料檔
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
78
步驟三、檢視資料是否上傳正確，或者是否符合本系統之限制。由於本資料含 有 NA 值，故資料確定後，點選「下一步」系統會自動將含有 NA 值的資料列刪 除。（圖 4-45 檢視上傳資料）
圖4-45 檢視上傳資料
步驟四、選擇本研究部分的資料採礦預測（Forecasting）功能（圖 4-46 資料採 礦功能之選擇）。
圖4-46 資料採礦功能之選擇
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
79
步驟五、選擇欲分析的目標變數和解釋變數，由於此部分的操作範例選擇目標 變數為文字型二元類別，故選擇變數 bwt （bwt<120 為 TRUE；bwt≧120 為 FALSE）
為操作範例的目標變數，其餘變數 gestation、parity、age、height、weight 和 smoke 當解釋變數，點選「確認」鍵，進行預測功能之分析（圖 4-47 變數選擇）。
圖4-47 變數選擇
在進行資料採礦預測功能之分析後，由於目標變數 bwt 的內容為 TRUE 和 FALSE 為文字型類別資料，系統判斷會以類神經網路（Neural net）和二元分類 羅吉斯迴歸分析（Dichotomous logistic）建構模型。待資料採礦預測分析完成後，
在進行資料採礦預測功能之分析後，由於目標變數 bwt 的內容為 TRUE 和 FALSE 為文字型類別資料，系統判斷會以類神經網路（Neural net）和二元分類 羅吉斯迴歸分析（Dichotomous logistic）建構模型。待資料採礦預測分析完成後，