Un'azienda di e-commerce vuole creare cinque segmenti di clienti utilizzando età, reddito e posizione, ma le etichette esistenti sono sconosciute. Un modello XGBoost precedentemente addestrato prevede se un cliente risponderà a un'e-mail utilizzando tali caratteristiche. Perché il modello XGBoost non è adatto per creare cinque segmenti e quale modifica soddisferebbe il requisito?

Il modello XGBoost è un algoritmo di apprendimento supervisionato, il che significa che richiede etichette predefinite per l'addestramento. In questo scenario, l'obiettivo è creare segmenti di clienti quando le etichette esistenti sono sconosciute, rendendo XGBoost inadatto per questo compito di segmentazione non supervisionata. La soluzione corretta è utilizzare un algoritmo di clustering non supervisionato come k-means. Impostando K=5, k-means identificherà cinque gruppi distinti (segmenti) basati sulle somiglianze nelle caratteristiche di età, reddito e posizione. Le altre opzioni sono errate perché: L'applicazione della PCA non crea segmenti, ma riduce la dimensionalità. Riapprendere XGBoost per cinque classi richiederebbe etichette predefinite per ciascuno dei cinque segmenti, che non sono disponibili. kNN è un algoritmo supervisionato e non è adatto per la scoperta di segmenti senza etichette preesistenti.