Un rivenditore online ha combinato molte fonti di dati in una singola tabella con 980 variabili. È necessario costruire un modello per scoprire gruppi di clienti che potrebbero rispondere a una campagna di marketing. Quale coppia di tecniche dovresti usare?

PCA (Principal Component Analysis) è essenziale per ridurre la dimensionalità di un dataset con 980 variabili, trasformando le variabili originali in un insieme più piccolo di componenti principali che catturano la maggior parte della varianza. Questo rende il dataset più gestibile e riduce il rumore, migliorando le prestazioni dei modelli successivi. K-means clustering è la tecnica ideale per scoprire gruppi di clienti (segmentazione) basandosi sulle caratteristiche ridotte da PCA. È un algoritmo di clustering partizionale che raggruppa i punti dati in un numero predefinito di cluster, dove i punti all'interno di un cluster sono simili tra loro e diversi dai punti in altri cluster. LDA (Latent Dirichlet Allocation) è per la modellazione di argomenti nel testo, non per la segmentazione dei clienti. La segmentazione semantica è una tecnica di visione artificiale per classificare ogni pixel di un'immagine. Le Factorization Machines sono usate per problemi di raccomandazione o previsione con dati sparsi, non per il clustering.