Sie haben einen Datensatz zum Einkaufsverhalten von Kunden mit Tausenden von Features und vielen numerischen Spalten pro Kunde. Sie möchten schnell natürliche Gruppierungen unter den Kunden finden und das Ergebnis visualisieren. Was sollten Sie tun?

Die Einbettung der numerischen Features mit t-SNE und die Erstellung eines Streudiagramms ist die beste Option, da t-SNE (t-distributed Stochastic Neighbor Embedding) eine leistungsstarke Technik zur Dimensionsreduktion ist, die hochdimensionale Daten in einen 2D- oder 3D-Raum einbettet, während die lokalen Strukturen der Daten erhalten bleiben. Dies ermöglicht die Visualisierung natürlicher Gruppierungen (Cluster) als deutlich getrennte Punkte im Streudiagramm. Die Ausführung von k-means mit einem Elbow-Plot hilft zwar bei der Bestimmung der optimalen Clusteranzahl, visualisiert aber nicht direkt die Gruppierungen der Kunden. Die Erstellung eines Liniendiagramms nach t-SNE ist ungeeignet, da Liniendiagramme für die Darstellung von Trends über eine kontinuierliche Variable verwendet werden, nicht für die Visualisierung von Clustern. Boxplots für jedes numerische Feature in jedem Cluster nach k-means sind nützlich, um die Verteilung der Features innerhalb der Cluster zu verstehen, aber sie zeigen nicht die Gesamtgruppierungen der Kunden auf einen Blick.