Un científico de datos utilizará SageMaker k-means para segmentar clientes y debe elegir el número óptimo de clústeres (k). ¿Qué enfoque de visualización identificará de manera más fiable el mejor k?

La suma de los errores cuadrados (SSE) versus k, también conocido como el método del codo, es una técnica común y fiable para determinar el número óptimo de clústeres en k-means. Al graficar el SSE para un rango de valores de k, se busca el "codo" en el gráfico, donde la disminución del SSE se vuelve marginal. Este punto indica que añadir más clústeres no reduce significativamente la varianza dentro de los clústeres, sugiriendo un buen equilibrio entre la compresión de datos y la pérdida de información. Las otras opciones son menos adecuadas: Los diagramas de dispersión con PCA pueden ser subjetivos y difíciles de interpretar para conjuntos de datos complejos o de alta dimensión. Graficar la varianza explicada por PCA ayuda a reducir la dimensionalidad, no a determinar k para k-means. t-SNE es una técnica de reducción de dimensionalidad para visualización, no para determinar el número óptimo de clústeres directamente.