การวิเคราะห์ข้อมูลใบเสร็จ7- elevenด้วย Weka จัดทำโดย น.ส.กรรณิกา เชื้อรุ่ง สาขาวิทยาศาสตร์ คณะวิทยาศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ

1. การวิเคราะห์ข้อมูลใบเสร็จ
7-ELEVEN ด้วย
WEKA
นางสาว กรรณิกา เชื้อรุ่ง 55102010984

2. AGENDA
 การแบ่งกลุ่มข้อมูล (Data Clustering)
 การจาแนกประเภทข้อมูล (Data Classification)
 การหากฎความสัมพันธ์ (Association Rules)

3. CLUSTERING
 การแบ่งกลุ่มข้อมูล (Clustering) โดยใช้ Simple K-Means นาข้อมูลใบเสร็จ 7-
eleven ที่เตรียมไว้เพื่อมาทาการแบ่งกลุ่ม

4. CLUSTERING
 การ Clustering โดยใช้เทคนิค SimpleKMeans
 โดยกาหนด numCluster = 2 จนถึง numClusters = 30 เพื่อนา Cluster sum
of squared errors นามา Plot กราฟ เพื่อหา Knee Curve

5. CLUSTERING
 ตัวอย่างหน้าจอการทางานโปรแกรม WEKA ในการ Clustering กาหนด numClusters =
2

6. CLUSTERING
 ตัวอย่างหน้าจอการทางานโปรแกรม WEKA ในการ Clustering กาหนด numClusters =
10

7. CLUSTERING
 นาค่า Within cluster sum of squared errors มา plot Graph เพื่อหา Knee Curve
 Graph แสดง Knee Curve ที่ numClusters= 18

8. CLUSTERING
 เมื่อต้องการทราบว่า ใบเสร็จ แต่ละใบ อยู่ใน Cluster ใดบ้างสามารถแสดง โดย Weka ดังนี้
 1. ต้องทาการ Save ไฟล์ การแบ่งข้อมูล numClusters = 18 เป็นไฟล์ Arff

9. CLUSTERING
 2. เมื่อคลิก Visualize cluster assignments จะมีหน้าจอแสดงขึ้นมา และทาการ Save
ไฟล์ .arff

10. CLUSTERING
 3. เปิดไฟล์ .arff ที่ Save ไว้ แล้วทาการกด Save เป็นไฟล์ .csv

11. CLUSTERING
 4. เปิดไฟล์ .csv โดยไปที่ Tool > ArffViewer แล้วเลือกไฟล์ csv เพื่อเปิดดูผลลัพธ์

12. CLUSTERING
 5. ผลลัพธ์ สามารถบอกได้ว่า แต่ละใบเสร็จอยู่ใน Cluster ใดบ้าง

13. CLUSTERING
 สรุปการแบ่งกลุ่ม 18 กลุ่ม โดยแบ่ง สินค้าที่ซื้อในแต่ละ Cluster ดังรูป

14. การทา CLASSIFICATION โดยใช้ FUNCTION :
MULTILAYERPERCEPTRON
 การเตรียมข้อมูลทั้งหมด เพื่อนามาสร้าง Model สาหรับการ train

15. CLASSIFICATION
 การเตรียมข้อมูลจานวน 10 แถว เพื่อนามาสร้าง Model สาหรับการ test

16. CLASSIFICATION
 วิเคราะห์ข้อมูลจากใบเสร็จ 7-eleven
“ วิเคราะห์ ข้อมูลของสมาชิกลุ่มทานายการซื้อสินค้าจาก 7-eleven ว่า สมาชิก
อยู่บ้าน ที่กรุงเทพฯ (Bangkok) หรือ ต่างจังหวัด (Countryside)”

17. CLASSIFICATION
 เลือก Classify (1) และ Classifier>MultilayerPerceptron (2) เปลี่ยนจานวน
TrainingTime = 200

18. CLASSIFICATION
 นา Model ที่เตรียมไว้มา Test กับ ข้อมูลจานวน 10 แถวที่ได้เตรียมไว้ก่อนหน้า

19. CLASSIFICATION
 Result ArffView TrainingTime = 200
 โปรแกรมจะทานายเป็นผลลัพธ์ว่า สมาชิกอยู่บ้านที่กรุงเทพฯ (Bangkok) หรือ ต่างจังหวัด
(Countryside) ออกมา

20. CLASSIFICATION
 เลือก Classify และ Classifier>MultilayerPerceptron เปลี่ยนจานวน
TrainingTime = 500

21. CLASSIFICATION
 นา Model ที่เตรียมไว้มา Test กับ ข้อมูลจานวน 10 แถวที่ได้เตรียมไว้ก่อนหน้า

22. CLASSIFICATION
 Result ArffView TrainingTime = 500
 โปรแกรมจะทานายเป็นผลลัพธ์ว่า สมาชิกอยู่บ้านที่กรุงเทพฯ (Bangkok) หรือ ต่างจังหวัด
(Countryside) ออกมา

23. การทา ASSOCIATION โดยใช้ APRIORI
 ข้อมูลที่เตรียมสาหรับการทา Associate แต่ละใบเสร็จถ้ามีการซื้อสินค้า จะใส่ค่าเป็น t และถ้าไม่มีการซื้อสินค้า ใส่
ค่าเป็น ? (เพื่อไม่ให้โปรแกรมนาค่าที่ไม่มีการซื้อเข้ามาคิดคานวณ)

24. ASSOCIATION
 เปิดไฟล์ csv ของข้อมูลใบเสร็จ 7-eleven ที่เราได้เตรียมไว้

25. ASSOCIATION
 เลือก Associate (1) และ
เลือก Associator เป็น Apriori (2)
จากนั้น กด Start (3)

26. ASSOCIATION
 ผลลัพธ์

27. ASSOCIATION
 ผลลัพธ์ที่แสดงออกมา จะเป็นความสัมพันธ์การซื้อสินค้า 7-eleven โดยโปรแกรมจะแสดงค่าความเชื่อมั่น
(Confidence) , Correlation Analysis (Lift) , Support(LHS) และ
Support(RHS)

28. ASSOCIATION
 ผลลัพธ์การวิเคราะห์ข้อมูลโดยใช้กฎความสัมพันธ์ (Association Rules)
Best rules found:
1. IceCream=t 40 ==> Water=t 40 <conf:(1)> lift:(1.79) lev:(0.21) [17] conv:(17.67)
2. Sandwich=t 38 ==> Water=t 38 <conf:(1)> lift:(1.79) lev:(0.2) [16] conv:(16.79)
3. IceCream=t Sandwich=t 33 ==> Water=t 33 <conf:(1)> lift:(1.79) lev:(0.17) [14] conv:(14.58)
4. Milk=t IceCream=t 28 ==> Water=t 28 <conf:(1)> lift:(1.79) lev:(0.14) [12] conv:(12.37)
5. Milk=t Sandwich=t 27 ==> Water=t 27 <conf:(1)> lift:(1.79) lev:(0.14) [11] conv:(11.93)
6. Milk=t IceCream=t Sandwich=t 24 ==> Water=t 24 <conf:(1)> lift:(1.79) lev:(0.12) [10]
conv:(10.6)

29. ASSOCIATION
Best rules found ( ต่อ ):
6. Milk=t IceCream=t Sandwich=t 24 ==> Water=t 24 <conf:(1)> lift:(1.79) lev:(0.12) [10]
conv:(10.6)
7. TissuePaper=t Sandwich=t 18 ==> Water=t 18 <conf:(1)> lift:(1.79) lev:(0.09) [7] conv:(7.95)
8. TissuePaper=t IceCream=t 17 ==> Water=t 17 <conf:(1)> lift:(1.79) lev:(0.09) [7] conv:(7.51)
9. Yoghurt=t IceCream=t 16 ==> Water=t 16 <conf:(1)> lift:(1.79) lev:(0.08) [7] conv:(7.07)
10. TissuePaper=t IceCream=t Sandwich=t 14 ==> Water=t 14 <conf:(1)> lift:(1.79) lev:(0.07) [6]
conv:(6.19)

30. THANK YOU 