Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)Briñez de León, Juan CarlosVelásquez Galvis, Carlos Eduardo2024-11-152024-11-152024https://repositorio.uniremington.edu.co/handle/123456789/5411Este proyecto se enfoca en el desarrollo de un sistema de recomendación para usuarios de videojuegos, utilizando estrategias de clustering basadas en machine learning. La información procesada incluye datos generados al azar sobre el género y precio de los videojuegos, la frecuencia de compra, el monto total gastado, la valoración de los juegos y la plataforma favorita de los usuarios. Inicialmente, los datos se preparan mediante limpieza, normalización y transformación de variables categóricas, asegurando que sean adecuados para el modelo de análisis. Para agrupar a los usuarios según patrones de comportamiento similares, se emplean algoritmos de clustering, como K-means, con el objetivo de segmentarlos en grupos de consumo característicos. Esta segmentación permite generar recomendaciones personalizadas de videojuegos para cada grupo, tomando en cuenta variables como la frecuencia de compra o las plataformas más utilizadas. Los grupos creados ofrecen insights sobre las preferencias de los usuarios, facilitando una mayor personalización en la oferta de juegos. El sistema de recomendación basado en clustering mejora la precisión de las recomendaciones en comparación con enfoques generalizados, optimizando la experiencia del usuario y la relevancia de los juegos sugeridos. Los resultados del modelo se validan mediante métricas como el silhouette score, garantizando la cohesión y calidad de los clusters obtenidos.24 p.application/pdfspaDerechos Reservados - Corporación Universitaria Remington, 2024Recomendación de videojuegosClusteringK-meanSistema de recomendacionesTrabajo de grado - Pregradoinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Aprendizaje automático (Inteligencia artificial)VideojuegosAnálisis de datos