Una empresa desea segmentar clientes basándose en datos demográficos y patrones de compra. ¿Qué algoritmo es el más apropiado para descubrir tales grupos?

K-means es un algoritmo de agrupamiento (clustering) no supervisado que es ideal para descubrir grupos o segmentos en conjuntos de datos sin etiquetas predefinidas. En este caso, la empresa busca segmentar clientes basándose en características (datos demográficos y patrones de compra) sin conocer de antemano los segmentos. K-means agrupará a los clientes con características similares en clústeres distintos. K-nearest neighbors (k-NN) es un algoritmo de clasificación o regresión supervisado, que requiere datos etiquetados para predecir la clase o el valor de un nuevo punto de datos. Decision tree es un algoritmo de clasificación o regresión supervisado que crea un modelo predictivo basado en reglas. Support vector machine (SVM) es un algoritmo de clasificación o regresión supervisado que busca el hiperplano óptimo para separar clases. Ninguno de estos tres es adecuado para la tarea de descubrir grupos inherentemente presentes en los datos sin etiquetas.