Une entreprise de commerce électronique souhaite créer cinq segments de clientèle en utilisant l'âge, le revenu et la localisation, mais les étiquettes existantes sont inconnues. Un modèle XGBoost précédemment entraîné prédit si un client répondra à un e-mail en utilisant ces caractéristiques. Pourquoi le modèle XGBoost est-il inadapté à la création de cinq segments, et quel changement satisferait l'exigence ?

XGBoost est un algorithme d'apprentissage supervisé, ce qui signifie qu'il apprend à partir de données étiquetées pour prédire une sortie spécifique (dans ce cas, une réponse binaire à un e-mail). La segmentation client sans étiquettes existantes est un problème d'apprentissage non supervisé. Un algorithme de clustering comme k-means est conçu pour regrouper des points de données similaires (clients) en clusters (segments) sans nécessiter d'étiquettes préalables. Utiliser k-means avec K=5 permettra de créer les cinq segments de clientèle souhaités en se basant sur l'âge, le revenu et la localisation. Les autres options sont incorrectes car : L'ACP est une technique de réduction de dimensionnalité, pas de segmentation. Réentraîner XGBoost pour prédire cinq classes nécessiterait des étiquettes de segment existantes, ce qui n'est pas le cas ici. kNN est un algorithme supervisé et nécessiterait également des étiquettes de segment pour l'entraînement.