Bir veri bilimci, müşterileri segmentlere ayırmak için SageMaker k-means kullanacak ve en uygun küme sayısını (k) seçmesi gerekiyor. En iyi k değerini en güvenilir şekilde hangi görselleştirme yaklaşımıyla belirleyebilir?

Doğru cevap, k-means algoritmasında en uygun küme sayısını (k) belirlemek için yaygın olarak kullanılan dirsek yöntemini (elbow method) açıklar. Bu yöntemde, farklı k değerleri için Kümeler İçi Kareler Toplamı Hatası (SSE) hesaplanır ve k'ye karşı çizilir. SSE'nin azalma hızının belirgin şekilde yavaşladığı "dirsek" noktası, genellikle en uygun k değeri olarak kabul edilir. Bu nokta, küme sayısını artırmanın getirilerinin azalmaya başladığını gösterir. Diğer seçenekler neden yanlış: PCA bileşenlerini kullanarak sadece ilk iki bileşenle görselleştirme yapmak, yüksek boyutlu verilerdeki tüm varyansı yakalayamayabilir ve yanıltıcı olabilir. PCA bileşen sayısı ile açıklanan varyans arasındaki ilişkiyi çizmek, veri boyutunu azaltmak için kullanılsa da, doğrudan optimal k değerini belirlemek için bir yöntem değildir. t-SNE grafikleri, yüksek boyutlu verileri görselleştirmek için etkili olsa da, perplexity değerinin seçimi k değerini doğrudan belirlemez ve k-means için optimal k'yi bulmak için birincil yöntem değildir.