評量表是一種可以快速了解，我們輔導對象目前狀況的一個工具，而目前評量大部分均以固定型式問卷來表示，這樣評量表不但較為空洞泛味，而且也常常流於形式，而大大的降低評量表的功效為了要讓問卷可以更有效發揮功能，縮短問卷問答題數或者加強重要題目的比重是必要的，為了達到這個目的我們期望，可以透過資料採礦的技術與問卷結果的搜集，進而分析計算出一份問卷題型最佳組合，為了要計算出最佳組合，我們透過IM8(Intelligent Miner for Data 8.2)將資料以決策樹(Decision Trees)及關聯式分析
(Association riles)分別做出相關分析，對於問卷我們先將問卷題目以分類向做一群比，更把整份問卷的回答過程模擬為樹的尋訪根據資料採礦的分析結果作為樹尋訪時，選擇節點的依據，如此一來便能以最佳路徑的演算法得一個最佳的組合。
關鍵字：決策樹、關聯式法則、決策分析、自我評量表

Assessment sheet is one kind of tools to quickly understand the present situations of the counseling object. Most assessment sheets are presented by the fixed questionnaire nowadays; however, it is a tedious and modal way. This would lower the efficiency of the assessment. In order to let the questionnaire have the most efficiency, it is necessary to decrease the number of questions or increase the proportion of the important questions. To achieve the target, we expect to use the technique of Data Mining and the collection of the poll results; then to analyze and obtain the optimized combination of assessment sheet. We finished the related analysis by using decision trees and association riles methods through IM8 (Intelligent Miner for Data 8.2). We first group the assessment sheets by the subjects and then simulated the filling procedure to be the searching base of tree. The analysis result of Data Mining is used to be the reference of selection nodes when searching the trees. Consequently, the optimized combination is obtained with the algorism of optimized path.

目   錄
第一章緒論	1
1.1研究動機與目的	1
1.2研究內容	2
1.3組織架構	4
第二章 背景知識	6
2.1資料採礦說明	6
2.2決策樹分析	8
2.3關聯式規則分析	17
第三章研究方法	24
3.1原始資料說明與處理	24
3.2關聯式法則分析	28
3.3決策樹分析	32
3.4以最佳路徑演算法求出最佳類型組合	40
第四章研究結果討論	47
4.1結果討論	47
4.2未來展望	49
第五章結論	51
參考文獻 / Reference	52
表  目  錄
表3.1.4「學習與讀書策略量表」填寫範例	26
表3.1.5原始分數計算表範例	27
表3.1.6百分等級表範例	27
表3.1.7百分等級換算後之結果資料表	28
表3.2.1以編號為基礎學習策略表格	29
表3.2.2以規則長度2資料表	30
表3.2.4以規則長度4資料表	30
表3.2.5篩選無意義的關聯結果	31
表3.4.1最小路徑範例	44
表3.4.2選取讀書策略順序的最小路徑結果	45
圖  目  錄
圖.3.3.1決策樹分析學習策略考試不好的結果	33
圖.3.3.3決策樹分析學習策略自我測驗不好的結果	33
圖.3.3.4決策樹分析學習策略自我測驗良好的結果	34
圖.3.3.5決策樹分析學習策略時間管理不好的結果	34
圖.3.3.6決策樹分析學習策略時間管理良好的結果	34
圖.3.3.7決策樹分析學習策略訊息處理不好的結果	35
圖.3.3.8決策樹分析學習策略訊息處理良好的結果	35
圖.3.3.9決策樹分析學習策略動機不好的結果	35
圖.3.3.10決策樹分析學習策略動機良好的結果	36
圖.3.3.11決策樹分析學習策略專心不好的結果	36
圖.3.3.12決策樹分析學習策略專心良好的結果	36
圖.3.3.13決策樹分析學習策略焦慮不好的結果	37
圖.3.3.14決策樹分析學習策略焦慮良好的結果	37
圖.3.3.15決策樹分析學習策略解決學習困難良好的結果	37
圖.3.3.16決策樹分析學習策略態度不好的結果	38
圖.3.3.17決策樹分析學習策略態度良好的結果	38
圖.3.3.18決策樹分析學習策略學習輔助術不好的結果	38
圖.3.3.19決策樹分析學習策略學習輔助術良好的結果	39
圖.3.3.20決策樹分析學習策略選擇要點不好的結果	39
圖.3.3.21決策樹分析學習策略選擇要點良好的結果	39
圖.3.4.1根據關聯式法則做樹尋訪示意圖	40
圖.3.4.2讀書策略所有組合樹	41
圖.3.4.3選擇題目數量與涵蓋讀書策略示意圖	42
圖.3.4.4決策樹分析學習策略焦慮不好的結果	46
圖.4.1.1選擇題目數量與涵蓋讀書策略示意圖	48
圖.4.1.2諮詢系統流程圖	49

Berry, L.L. & Linoff, G. S. (2002). Mastering Data Mining, The Art & Science of Customer Relationship Management. NY: John Wiley & Sons.

Todman, C. (2001). Designing a Data Warehouse: Supporting Customer Relationship Management. Upper Saddle River, NJ: Prentice Hall.

Data Structure & Their Algorithms, Harry R. Lewis and Larry Denenberg.

S. Chakrabarti. Mining The Web: Discovering Knowledge From Hypertext Data.
Morgan Kaufmann, San Francisco, CA, 2002.

C. Cortes and M. Mohri. AUC optimization vs. error rate minimization. In Advances in Neural Information Processing Systems(NIPS 2003), 2004.

D. Dash and G. F. Cooper. Model averaging for prediction with discrete bayesian networks. Journal of Machine Learning Research, 5:1177–1203, 2004.
J. T. Wijnen, H. F. A. Vasen, P. M. Khan, A. H. Zwinderman, H. Van Der Klift, A. Mulder, C. Tops, P. Moller, and R. Fodde. Clinical ¯ndings with implications for genetic testing in families with clustering of colorectal cancer. N. Engl. J. Med., 339:511{518, 1998.

J.R Quinlan, “C4.5:Programs for machine Learning” , San Mateo, Calif.: Morgan Kaufmann, 1993.

Stuart Russell, Peter Norving, “Artifical Intelligence a Modern Approach.” Prentice-Hall Internation Editions.

R. Agrawal and R. Srikant, “Mining Sequential Patterns,” Proceedings of the 11th International Conference on Data Engineering, Taipei, Taiwan, pp. 3-14, March 1995.

R. Srikant and R. Agrawal, “Mining Sequential Patterns: Generalizations and Performance Improvements,” Proceedings of the 5th International Conference on Extending Database Technology, Avignon, France, pp. 3-17, 1996. (An extended version is the IBM Research Report RJ 9994) 
J.R Quinlan, “Induction of Decision Tree.” Machine Learning,vol. 1 no. 1,pp. 81-106, 1996

李延震，”資料探勘-學習與讀書策略”，淡江大學資訊工程學系研究所碩士論文，2006。

吳育儒，”決策樹中移除不相關值問題的研究”，淡江大學資訊工程學系，1998。

謝宗翰，”關聯式法則之複合式後項探勘演算法”，淡江大學資訊工程學系，2004。