Python 數據分析 實作專案-3 利用機器學習進行商品分類

利用機器學習進行商品分類 (Side Project)

專案期間：2021/10 ~ 2021/10

背景

專案的起點是面對一個擁有 14 萬筆商品的資料庫，但原有的分類不夠精確。若手動重新分類，將耗費大量時間與人力，因此我決定利用這個挑戰作為學習機器學習的契機，通過自動化來提升分類效率。

專案流程

第一步：NLP 處理商品文本特徵
我首先對每筆商品的名稱與描述進行自然語言處理（NLP），抽取其中的中文關鍵字，並將這些關鍵字作為商品的主要特徵，以便後續的機器學習模型可以更精確地進行分類。

第二步：建立訓練樣本
從總商品資料中隨機挑選前 100 筆與後 100 筆的資料作為初始訓練樣本。參考目標為蝦皮的商品分類，這些樣本用於訓練模型的初步分類能力。

第三步：模型訓練
將已標記分類的樣本導入機器學習模型進行訓練，選擇合適的分類算法來提升模型的準確性與泛化能力，讓模型可以更好地適應商品分類的需求。

第四步：分類預測
利用訓練完成的模型，對其餘未分類的商品進行自動分類。模型依據訓練得到的分類特徵，為每個商品自動匹配最適合的分類，並將結果輸出到資料庫中。

第五步：商品銷售分析與應用
最後，針對近五年內的成交訂單數據，分析每個商品分類的銷售情況，統計各分類的銷量和市場需求，為日後的電商決策提供數據支持。

專案成果與展望

本專案不僅解決了原先商品分類模糊的問題，還提升了數據處理效率。透過機器學習模型，成功實現了自動化商品分類。未來，可以將此模型應用到更多樣的商品數據，以持續優化分類效果，並配合市場趨勢，制定更精確的電商策略。