Une entreprise souhaite segmenter ses clients en fonction de données démographiques et de leurs habitudes d'achat. Quel algorithme est le plus approprié pour découvrir de tels groupes ?

K-means est un algorithme de clustering non supervisé, idéal pour découvrir des groupes ou des segments cachés dans des données sans étiquettes prédéfinies. Dans ce scénario, l'entreprise n'a pas de catégories de clients connues à l'avance, mais cherche à les identifier en fonction de leurs caractéristiques démographiques et de leurs habitudes d'achat. K-means regroupera les clients similaires en fonction de ces attributs. K-nearest neighbors (k-NN) est un algorithme de classification supervisé, nécessitant des données étiquetées pour prédire la classe d'un nouveau point. Un arbre de décision (Decision tree) est également un algorithme supervisé, utilisé pour la classification ou la régression. La machine à vecteurs de support (Support vector machine) est un autre algorithme supervisé, principalement utilisé pour la classification binaire. Ces trois options ne sont pas adaptées pour la découverte de groupes non étiquetés.