Tag: K-Nearest Neighbors

ในโลกของธุรกิจที่มีการแข่งขันสูง การทำความเข้าใจลูกค้าอย่างลึกซึ้งเป็นกุญแจสำคัญที่ช่วยขับเคลื่อนการเติบโตและสร้างความสัมพันธ์ในระยะยาวโปรเจกต์นี้มีเป้าหมายในการ วิเคราะห์และแบ่งกลุ่มลูกค้า (Customer Segmentation) โดยใช้เทคนิค RFM Analysis และพัฒนา โมเดล Machine Learning (Decision Tree) เพื่อช่วยในการจำแนกกลุ่มลูกค้าในอนาคตได้อย่างรวดเร็วและแม่นยำ Dataset Description Segment พิจารณาจากพฤติกรรม Recency และ Frequency เป็นหลัก โดย Monetary ใช้ในขั้นวิเคราะห์เชิงลึกเท่านั้น เพราะจากการวิเคราะห์พบว่า Monetary มีความแตกต่างระหว่างกลุ่มน้อยกว่าพฤติกรรมด้านเวลาและความถี่ Process เพื่อให้ได้โมเดลที่สามารถจำแนกกลุ่มลูกค้าได้อย่างแม่นยำและเชื่อถือได้ เราได้ออกแบบกระบวนการวิเคราะห์เชิงระบบ  การแบ่งข้อมูล (Data Splitting) ข้อมูลทั้งหมดถูกแบ่งออกเป็น 2 ชุด การฝึกโมเดลและตรวจสอบความแม่นยำ (Model Training & Validation)ในชุดฝึก เราใช้เทคนิค K-Fold Cross Validation เพื่อเพิ่มความเสถียรและลดความเอนเอียงของโมเดล โดยทำการฝึกโมเดล 3 รูปแบบ ได้แก่: การใช้ K-Fold ทำให้มั่นใจได้ว่าผลลัพธ์ไม่ได้ขึ้นอยู่กับการแบ่งข้อมูลเพียงครั้งเดียว แต่ได้รับการประเมินจากหลายชุดย่อยอย่างเป็นระบบ การทดสอบและประเมินผล (Model Evaluation)เรานำไปทดสอบกับชุดข้อมูลที่กันไว้ (Testing Set) โดยพิจารณาจาก ความแม่นยำ (Accuracy) และ ความเสถียรของโมเดล ในการทำนายกลุ่มลูกค้า Applied ML Models ML…