การจำแนกการตัดสินใจซื้อจักรยานของลูกค้าโดยใช้เทคนิควิธีเอนเซมเบิล

บทคัดย่อ

งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาเกี่ยวกับการวิเคราะห์ปัจจัยและจําแนกการตัดสินใจซื้อจักรยานของลูกค้าโดยใช้เทคนิควิธีเอนเซมเบิล โดยการสร้างโมเดลสำหรับการจําแนกและเปรียบเทียบประสิทธิภาพของเทคนิควิธีการจําแนกประเภทแบบเดี่ยว ได้แก่ เทคนิควิธีต้นไม้ตัดสินใจ นาอีฟเบย์ และเพื่อนบ้านใกล้เคียง และเทคนิควิธีการจําแนกประเภทแบบเชิงกลุ่ม ได้แก่ เทคนิควิธี Boosting (XGBoost) โดยใช้ข้อมูล Bike Buying Prediction For Adventure Works Cycles ที่ถูกเผยแพร่โดย Rahul จากเว็บไซต์ Kaggle ในการทดลองได้ทำการเตรียมข้อมูลโดยการคัดเลือกข้อมูลเบื้องต้นประกอบด้วย 13 คุณลักษณะ จากนั้นทำการตรวจสอบข้อมูลสูญหายพบว่าชุดข้อมูลนี้ไม่พบข้อมูลที่สูญหาย แล้วทำการแปลงข้อมูลให้อยู่ในรูปแบบตัวเลขแทนความหมาย คัดเลือกคุณลักษณะที่ส่งผลกับคลาสด้วยเทคนิควิธี Information Gain และคัดเลือกค่าถ่วงน้ำหนัก จากนั้นทำการแบ่งข้อมูลด้วยเทคนิควิธี Holdout Method จากการทดลองคัดเลือกค่าถ่วงน้ำหนักพบว่าควรกําจัดคุณลักษณะ HomeOwnerFlag ซึ่งจะทำให้โมเดล Boosting (XGBoost) มีค่าความถูกต้องสูงที่สุดร้อยละ 78.00