Abstract
在資料探勘的領域中，分類問題是最常被探討的議題之一。當資料的特徵(屬性)及類別已知時，分類會依特徵的特性以機器學習的方式建立預測模型，進而對還未分類的資料進行歸類。然而對於大多數的分類問題來說，特徵選取是一項很重要的前置作業。特徵選取的主要目的是刪除多餘或不重要的特徵，以降低特徵的維度及計算的複雜性，並增加分類的準確率。 目前特徵選取的演算方法主要可分為過濾法及包裝法。過濾法憑藉自身的演算法去評估資料特徵的特性，所求得的特徵子集合再交由分類演算法做評估；包裝法則直接採用分類演算法所求得的分類準確率去挑選出特徵子集合。一般來說，包裝法的分類效果較優於過濾法，但在計算上卻較為耗時。因此本研究將提出一種以直交表為特徵選取技術並結合支持向量機的包裝演算法，依據直交表的特性而做出系統化的選取規則，並期望能降低演算的時間及提高分類的準確率。最後我們將利用UCI資料庫中八筆分類問題的資料進行實驗，證實出所提的特徵選取技術能有效的刪除掉不必要或多餘的特徵，進而增加分類的準確率。