báo cáo học máy thuuajt toan kmens

Đề tài:

ÁP DỤNG PHƯƠNG PHÁP HỌC MÁY TRONG BÀI
TOÁN DỰ ĐỐN VIỆC MUA SẮM CỦA KHÁCH
HÀNG SỬ DỤNG CƠNG CỤ ORANGE DATA MINING

Đó là gì và tại sao nó lại quan trọng


Giải thích
về K-Mean
Kiến thức bạn cần biết

Thuật tốn K-Mean là gì?
Mơ tả thuật tốn K-Mean

Các bước thực hiện

Ứng dụng của K- Mean

Ưu điểm & Nhược điểm của K-Mean
là gì?


K-Mean là gì?
K/N: K-means là một thuật tốn phân cụm
khơng giám sát, có nghĩa là thuật tốn
này khơng cần biết nhãn của các điểm dữ
liệu. Mục tiêu của K-means là phân các
điểm dữ liệu thành K cụm sao cho tổng
bình phương khoảng cách giữa các điểm

dữ liệu trong cùng một cụm là nhỏ nhất.


Mơ tả thuật
tốn K-Mean


1
2
3

Các bước thực
hiện

Chọn ngẫu nhiên K tâm (centroid) cho K cụm (cluster). Mỗi cụm được đại diện bằng
các tâm của cụm.
Tính khoảng cách giữa các đối tượng (objects) đến K tâm (thường dùng khoảng cách
Euclidean)
Nhóm các đối tượng vào nhóm gần nhất

4

Xác định lại tâm mới cho các nhóm

5

Thực hiện lại bước 2 cho đến khi khơng có sự thay đổi nhóm nào của các đối tượng


Ứng dụng của KMean

• Phân cụm khách hàng: Phân khách hàng thành các nhóm dựa trên các đặc điểm chung
của họ, chẳng hạn như độ tuổi, giới tính, thu nhập, sở thích, v.v.
• Phân cụm sản phẩm: Phân sản phẩm thành các nhóm dựa trên các đặc điểm chung của
chúng, chẳng hạn như tính năng, giá cả, v.v.
1.Phân cụm hình ảnh: Phân hình ảnh thành các nhóm dựa trên nội dung của chúng, chẳng
hạn như cảnh, chủ đề, v.v.
1.Phân cụm văn bản: Phân văn bản thành các nhóm dựa trên nội dung của chúng, chẳng
hạn như chủ đề, thể loại, v.v.


Ưu điểm mang lại của thuật toán K-Mean

ĐƠN GIẢN VÀ DỄ HIỂU

DỄ DÀNG TRIỂN KHAI

HIỆU QUẢ TRÊN
NHIỀU LOẠI DỮ LIỆU

.

.


Hạn chế của
thuật toán
K-Mean

- Kết quả phụ thuộc vào số lượng cụm K

- Khó chọn K phù hơp với dữ liệu

- Dễ bị ảnh hưởng bởi các điểm dữ liệu ngoại
lai


Phương pháp
Để áp dụng phương pháp học máy trong bài toán dự
đoán mua sắm của khách hang sử dụng thuật toán KMean, cần thực hiện các bước sau:
1. Thu thập dữ liệu
- Dữ liệu cần thu thập bao gồm các thông tin về khách hàng, sản
phẩm và môi trường mua sắm. Dữ liệu này có thể được thu thập
từ nhiều nguồn khác nhau, bao gồm cơ sở dữ liệu khách hàng, hệ
thống POS và các nguồn dữ liệu bên ngoài.

2. Xử lý dữ liệu
- Dữ liệu cần được xử lý để loại bỏ các lỗi và bất thường. Ngoài
ra, dữ liệu cần được chuyển đổi thành các định dạng phù hợp để
sử dụng trong các thuật toán học máy.


3. Chọn thuật toán K-mean
- Cần chọn số lượng cụm K phù hợp với dữ liệu. Số lượng cụm K có thể được xác định bằng
cách sử dụng các kỹ thuật như phân tích phương sai hoặc phân tích k-trung bình.

4. Đào tạo mơ hình
- Mơ hình K-means được đào tạo trên dữ liệu đã được xử lý. Quá trình đào tạo giúp mơ
hình học được các mẫu và mối quan hệ trong dữ liệu.

5. Đánh giá mơ hình

- Mơ hình được đánh giá trên dữ liệu kiểm tra để xác định độ chính xác của mơ hình.

6. Áp dụng mơ hình
- Mơ hình được áp dụng để dự đốn hành vi mua hàng của khách hàng.