Module Question 5
- Describe the steps of the k-Means clustering algorithm. What does the ‘k’ represent?
- Why is dimensionality reduction useful in machine learning?
- Provide a real-world application for clustering (e.g., customer segmentation).
- What is the main objective of PCA?
Status: 100% sudah tercapai
Keterangan: Saya sudah menggerjakan essay ini dengan baik dan benar
Bukti:
Answers:
- Langkah-langkah K-Means:
Menentukan nilai k
Tentukan berapa banyak kelompok (cluster) yang ingin dibuat. k adalah jumlah cluster yang akan dibentuk.
Memilih titik pusat awal (centroid)
Algoritma memilih k centroid sebagai pusat awal setiap cluster.
Mengelompokkan data
Setiap data ditempatkan ke cluster dengan centroid yang paling dekat, biasanya berdasarkan jarak.
Menghitung ulang centroid
Setelah data terbagi, posisi centroid setiap cluster dihitung ulang berdasarkan rata-rata data yang berada di dalam cluster tersebut.
Mengulangi proses
Langkah pengelompokan dan penghitungan centroid diulang sampai posisi cluster relatif stabil dan tidak banyak berubah lagi.
2. Dimensionality reduction adalah proses mengurangi jumlah fitur atau variabel dalam suatu dataset tanpa menghilangkan terlalu banyak informasi penting. Teknik ini berguna ketika dataset memiliki terlalu banyak fitur, sehingga data menjadi sulit diproses dan dianalisis.
3.Sebuah toko online memiliki banyak pelanggan dengan kebiasaan belanja yang berbeda. Dengan menggunakan algoritma clustering seperti k-Means, pelanggan dapat dikelompokkan berdasarkan frekuensi pembelian, jumlah pengeluaran, dan jenis produk yang dibeli.
Contohnya, pelanggan dapat terbagi menjadi:
- Kelompok 1: pelanggan yang jarang membeli dan pengeluarannya rendah.
- Kelompok 2: pelanggan yang sering membeli dengan pengeluaran sedang.
- Kelompok 3: pelanggan yang sering membeli dengan pengeluaran tinggi.
Perusahaan kemudian dapat membuat strategi pemasaran yang berbeda untuk setiap kelompok, seperti memberikan promosi atau rekomendasi produk yang sesuai.
4.Tujuan utama PCA (Principal Component Analysis) adalah mengurangi jumlah dimensi atau fitur dalam dataset sambil tetap mempertahankan sebanyak mungkin informasi penting dari data tersebut.
PCA mengubah banyak variabel asli menjadi beberapa variabel baru yang disebut principal components (komponen utama). Komponen-komponen ini dipilih untuk menangkap variasi terbesar dalam data.