Customer Segmentation Analysis using K-Means and DBSCAN

الملف يتناول مشروعاً لتطبيق خوارزميات التجميع

(Clustering) على بيانات العملاء (Mall Customers). إليك ملخص لأهم ما جاء

فيه:

1. تحميل ومعالجة البيانات: يتم تحميل ملف Mall_Customers.csv والتعامل

مع القيم المفقودة، ثم تحويل البيانات النصية (مثل النوع) إلى أرقام،

واستخدام StandardScaler لتوحيد مقاييس البيانات.

2. تقليل الأبعاد (PCA): استخدام تقنية تحليل المكونات الرئيسية (PCA)

لتقليل أبعاد البيانات إلى بُعدين فقط، مما يسمح برسمها وتصورها بوضوح

في شكل كروكي ثنائي الأبعاد.

3. خوارزمية K-Means:

* رسم منحنى المرفق (Elbow Curve) لاختيار أفضل عدد للمجموعات ($K$)

عبر تجربة قيم من 1 إلى 10.

* تدريب النموذج باستخدام العدد الأمثل ($K=5$) وتحديد مراكز

المجموعات (Centroids).

4. خوارزمية DBSCAN: تطبيق هذه الخوارزمية مع تجربة قيم مختلفة للمسافة

($eps$) للتعرف على المجموعات الكثيفة وتحديد نقاط الضوضاء أو

البيانات الشاذة (Noise points).

5. دالة التنبؤ (Recommendation Function): بناء وظيفة برمجية تأخذ

مواصفات العميل (النوع، العمر، الدخل السنوي، ومعدل الإنفاق) وتقوم

بمعالجتها بنفس الخطوات السابقة لتحدد آلياً المجموعة (Cluster ID)

التي ينتمي إليها هذا العميل.