Um cientista de dados usará o SageMaker k-means para segmentar clientes e deve escolher o número ideal de clusters (k). Qual abordagem de visualização identificará de forma mais confiável o melhor k?

A abordagem do "cotovelo" (elbow method) é a maneira mais confiável de determinar o número ideal de clusters (k) para o k-means. Ela envolve calcular a Soma dos Erros Quadráticos (SSE) para um intervalo de valores de k e plotar esses valores. O ponto de "cotovelo" na curva, onde a taxa de diminuição do SSE muda drasticamente e se torna mais linear, indica o k ideal. As outras opções são menos eficazes: Usar PCA com apenas dois componentes e visualização pode ser enganoso, pois a separação dos clusters pode não ser representativa em dimensões reduzidas. Plotar PCA versus variância explicada é para determinar o número de componentes PCA a serem retidos, não o número de clusters para o k-means. Gráficos t-SNE são para visualização de alta dimensão e não fornecem um método direto para escolher k.