Firma e-commerce chce utworzyć pięć segmentów klientów na podstawie wieku, dochodu i lokalizacji, ale istniejące etykiety są nieznane. Wcześniej wytrenowany model XGBoost przewiduje, czy klient odpowie na e-mail, używając tych cech. Dlaczego model XGBoost nie nadaje się do tworzenia pięciu segmentów i jaka zmiana spełniłaby to wymaganie?

Model XGBoost jest algorytmem uczenia nadzorowanego, co oznacza, że wymaga oznaczonych danych do przewidywania zdefiniowanych etykiet (w tym przypadku binarnej odpowiedzi na e-mail). Zadanie segmentacji klientów na pięć grup bez wcześniejszych etykiet jest problemem uczenia nienadzorowanego. Algorytmy klastrowania, takie jak k-means, są przeznaczone do identyfikowania naturalnych grup (segmentów) w danych bez wcześniejszych etykiet. Użycie k-means z K=5 pozwoli na utworzenie pięciu segmentów na podstawie wieku, dochodu i lokalizacji. Pozostałe opcje są nieprawidłowe, ponieważ XGBoost nie jest odpowiedni do klastrowania, a PCA redukuje wymiary, nie tworzy segmentów.