1. 案例定位

實務分析 5.2。

2. 學習目標

理解如何把票房迴歸問題轉為多類別分類，並比較單一模型與集成模型。

3. 案例情境

研究者希望在電影仍只是概念階段時預測其財務成功，把票房分成從失敗到超級賣座的九個類別。

4. 開始資料

原書資料 內容
電影 2,632 部，於 1998–2006 年上映
訓練資料 1998–2005
測試資料 2006
目標 9 個類別，失敗 → 超級賣座
模型 支援向量機、人工神經網路、CART、隨機森林、提升樹、融合

5. 分析方法

資料來自多個電影資料庫，1998–2005 年作訓練資料，2006 年作測試資料；比較支援向量機（Support Vector Machine, SVM）、人工神經網路（Artificial Neural Network, ANN）、分類與迴歸樹（Classification and Regression Tree, CART）、隨機森林、提升樹、融合。

6. 計算結果

完全命中準確率：SVM 55.49%、ANN 52.60%、CART 40.46%、隨機森林 54.62%、提升樹 54.05%、融合 56.07%。相鄰一級準確率：85.55%、87.28%、76.88%、89.60%、84.10%、90.75%。

7. 結果分析與管理解讀

單一模型中 SVM 的完全命中表現最佳；集成模型中融合模型的完全命中與相鄰一級準確率均最高。原書進一步指出已訓練模型可用敏感度分析探索決策變數。

8. 人工智慧提問詞

依表 5.5 比較六個模型的完全命中與相鄰一級準確率，清楚區分單一模型與集成模型；不得改寫原書數值。

9. 思考／假設情境

問題： 為何相鄰一級準確率對電影管理者可能有意義？

參考解答： 因為它衡量預測落在正確類別或相鄰類別 的比例，可呈現比完全命中類別更寬鬆的預測品質。

10. 資料說明