Uma empresa de e-commerce deseja criar cinco segmentos de clientes usando idade, renda e localização, mas os rótulos existentes são desconhecidos. Um modelo XGBoost previamente treinado prevê se um cliente responderá a um e-mail usando esses recursos. Por que o modelo XGBoost é inadequado para criar cinco segmentos e qual mudança satisfaria o requisito?

O XGBoost é um algoritmo de aprendizado supervisionado, o que significa que ele aprende a mapear entradas para saídas com base em dados rotulados. Neste caso, ele foi treinado para prever uma resposta binária (sim/não) a um e-mail. Para criar cinco segmentos de clientes sem rótulos preexistentes, é necessário um algoritmo de aprendizado não supervisionado, como o k-means. O k-means agrupa pontos de dados em K clusters (neste caso, 5) com base em sua similaridade, sem a necessidade de rótulos de treinamento. As outras opções estão incorretas porque: O XGBoost gera um resultado binário, mas PCA é uma técnica de redução de dimensionalidade, não de segmentação. Retreinar o XGBoost para cinco classes ainda exigiria rótulos para as cinco classes, que não existem. O k-Nearest Neighbors (kNN) é um algoritmo supervisionado e também exigiria rótulos para as classes, o que não é o caso aqui.