Εφαρμογή αλγορίθμων μηχανικής μάθησης για την ομαδοποίηση πελατών.

Abstract

Η μηχανική μάθηση αποτελεί σημαντικό κεφάλαιο των τεχνολογικών επιστημών τα τελευταία χρόνια. Καθώς ο όγκος των δεδομένων συνεχώς αυξάνεται, η ανάγκη για μελέτη τους καθίσταται αναγκαία για την εξαγωγή χρήσιμων πληροφοριών. Ως βασικός πυλώνας της τεχνητής νοημοσύνης, η μηχανική μάθηση μπορεί να εφαρμοστεί σε πάρα πολλούς κλάδους και να συνεισφέρει αποτελεσματικά στην ποιότητα των εργασιών.

Σκοπός της παρούσας διπλωματικής εργασίας είναι η διερεύνηση και εφαρμογή αλγορίθμων μηχανικής μάθησης, η αξιολόγησή τους και έπειτα η πρακτική εφαρμογή του πιο κατάλληλου και αποδοτικού μοντέλου, η οποία θα συμβάλλει στην αποτελεσματικότερη ταξινόμηση πελατών σε επιχειρήσεις. Αρχικά, μια λεπτομερή επισκόπηση των βασικών αρχών και τεχνικών της μηχανικής μάθησης παρουσιάζεται, εστιάζοντας σε δημοφιλείς αλγορίθμους όπως Logistic Regression, Decision Trees, Random Forest, K-Nearest Neighbors κι ο αλγόριθμος XGBoost. Στη συνέχεια, επικεντρώνεται στην πρακτική εφαρμογή αυτών των μεθόδων, με την ανάπτυξη ενός μοντέλου μηχανικής μάθησης για μια συγκεκριμένη μελέτη περίπτωσης, αυτή της κατηγοριοποίησης.

Τέλος, παρέχει μια συνολική αξιολόγηση της αποτελεσματικότητας του μοντέλου, με σκοπό την επιλογή του κατάλληλου αλγορίθμου. Με βάση τα αποτελέσματα ανάλυσης των ανωτέρων αλγορίθμων, ο αλγόριθμος XGBoost απέδωσε καλύτερα, λαμβάνοντας υπόψη όλες τις μετρικές αξιολόγησης ενός μοντέλου, όπως είναι η Ορθότητα, η Ακρίβεια, η Ανάκληση και η μετρική F1-Score. Με τις κατάλληλες τεχνικές παραμετροποίησης των υπερπαραμέτρων του αλγορίθμου είναι φυσικό πως το μοντέλο μπορεί να παρουσιάζει καλύτερα αποτελέσματα. Ως εκ τούτου, το συγκεκριμένο μοντέλο θεωρείται ένα μοντέλο με μεγάλη και ικανή προβλεπτική ισχύ.