Een e-commercebedrijf wil vijf klantsegmenten creëren op basis van leeftijd, inkomen en locatie, maar de bestaande labels zijn onbekend. Een eerder getraind XGBoost-model voorspelt of een klant zal reageren op een e-mail met behulp van die kenmerken. Waarom is het XGBoost-model ongeschikt voor het creëren van vijf segmenten, en welke wijziging zou aan de vereiste voldoen?

Het XGBoost-model is een supervised algoritme dat getraind is om een specifiek label (klant reageert wel/niet op e-mail) te voorspellen op basis van gelabelde gegevens. De vraag vereist het creëren van vijf klantsegmenten zonder vooraf bekende labels, wat een unsupervised leerprobleem is. K-means clustering is een unsupervised algoritme dat groepen (clusters) in de gegevens identificeert op basis van hun kenmerken. Door k-means te gebruiken met K=5 op de leeftijd, inkomen en locatiegegevens, kunnen vijf natuurlijke klantsegmenten worden gevormd. De andere opties zijn onjuist omdat: XGBoost opnieuw trainen om vijf klassen te voorspellen is niet mogelijk zonder vooraf gedefinieerde labels voor die vijf klassen. PCA is een dimensionaliteitsreductietechniek, geen clusteringalgoritme, en produceert geen segmenten. k-Nearest Neighbors (kNN) is een supervised classificatie-algoritme en vereist gelabelde trainingsgegevens, wat hier ontbreekt voor segmentatie.