Ein E-Commerce-Unternehmen möchte fünf Kundensegmente anhand von Alter, Einkommen und Standort erstellen, aber die vorhandenen Labels sind unbekannt. Ein zuvor trainiertes XGBoost-Modell prognostiziert anhand dieser Merkmale, ob ein Kunde auf eine E-Mail reagiert. Warum ist das XGBoost-Modell ungeeignet, um fünf Segmente zu erstellen, und welche Änderung würde die Anforderung erfüllen?

Das XGBoost-Modell ist ein überwachter Lernalgorithmus, der auf gelabelten Daten trainiert wird, um spezifische Ausgaben (hier: binäre Reaktion auf E-Mails) vorherzusagen. Die Anforderung ist jedoch, fünf Kundensegmente zu erstellen, ohne dass Labels für diese Segmente vorliegen. Dies ist eine unüberwachte Lernaufgabe. Ein Clustering-Algorithmus wie k-means ist für solche Szenarien konzipiert, da er Datenpunkte basierend auf ihrer Ähnlichkeit in K Gruppen (hier K=5) unterteilt, ohne dass vorherige Labels benötigt werden. Die anderen Optionen sind ungeeignet, weil: PCA reduziert Dimensionen, erstellt aber keine Segmente. Das erneute Trainieren von XGBoost für fünf Klassen würde gelabelte Daten für diese fünf Klassen erfordern, die nicht vorhanden sind. kNN ist ebenfalls ein überwachter Algorithmus, der Labels zur Klassifizierung benötigt.