Tiene un conjunto de datos del comportamiento de compra de clientes con miles de características y muchas columnas numéricas por cliente. Desea encontrar rápidamente agrupaciones naturales entre los clientes y visualizar el resultado. ¿Qué debería hacer?

La opción correcta es incrustar las características numéricas con t-SNE y crear un diagrama de dispersión. t-SNE (t-distributed Stochastic Neighbor Embedding) es una técnica de reducción de dimensionalidad no lineal que es excelente para visualizar datos de alta dimensión en un espacio de 2 o 3 dimensiones, revelando agrupaciones naturales. Un diagrama de dispersión es ideal para visualizar estas agrupaciones en el espacio reducido. Las otras opciones son incorrectas porque: Ejecutar k-means con distancia euclidiana para varios k y hacer un gráfico de codo: Aunque k-means puede encontrar agrupaciones, el gráfico de codo se usa para determinar el número óptimo de clústeres (k), no para visualizar las agrupaciones de clientes directamente. Incrustar las características numéricas con t-SNE y crear un gráfico de líneas: Un gráfico de líneas no es adecuado para visualizar agrupaciones de puntos en un espacio bidimensional; se usa típicamente para mostrar tendencias a lo largo de una variable continua. Ejecutar k-means con distancia euclidiana para varios k y producir diagramas de caja para cada característica numérica en cada clúster: Esto ayudaría a entender la distribución de las características dentro de cada clúster, pero no visualiza las agrupaciones de clientes en un espacio de baja dimensión.