Vous disposez d'un ensemble de données sur le comportement d'achat des clients, avec des milliers de caractéristiques et de nombreuses colonnes numériques par client. Vous souhaitez trouver rapidement des regroupements naturels parmi les clients et visualiser le résultat. Que devriez-vous faire ?

L'intégration des caractéristiques numériques avec t-SNE (t-distributed Stochastic Neighbor Embedding) et la création d'un nuage de points est la meilleure approche. t-SNE est une technique de réduction de dimensionnalité non linéaire particulièrement efficace pour visualiser des données de haute dimension en 2D ou 3D, révélant ainsi des regroupements naturels (clusters) qui seraient autrement difficiles à détecter. Un nuage de points permet de visualiser directement ces regroupements. Exécuter k-means et créer un graphique en coude est utile pour déterminer le nombre optimal de clusters, mais ne visualise pas les regroupements eux-mêmes. Intégrer les caractéristiques numériques avec t-SNE et créer un graphique linéaire n'est pas approprié car les graphiques linéaires sont utilisés pour montrer des tendances sur des données ordonnées, pas des regroupements dans des données multidimensionnelles. Exécuter k-means et produire des boîtes à moustaches pour chaque caractéristique numérique dans chaque cluster est une analyse post-clustering, mais ne permet pas de découvrir ou de visualiser rapidement les regroupements initiaux.