Müşterilerin alışveriş davranışlarına ait, binlerce özelliğe ve müşteri başına birçok sayısal sütuna sahip bir veri setiniz var. Müşteriler arasındaki doğal grupları hızlı bir şekilde bulmak ve sonucu görselleştirmek istiyorsunuz. Ne yapmalısınız?

Doğru cevap, sayısal özellikleri t-SNE ile gömmek ve bir scatter plot oluşturmaktır. t-SNE (t-Distributed Stochastic Neighbor Embedding), yüksek boyutlu verileri düşük boyutlu bir alana (genellikle 2 veya 3 boyut) indirgeyerek veri noktaları arasındaki benzerlikleri koruyan güçlü bir görselleştirme tekniğidir. Bu sayede, binlerce özelliğe sahip müşteri verilerindeki doğal gruplar (kümeler) bir scatter plot üzerinde kolayca gözlemlenebilir. Diğer seçenekler neden yanlış: Çeşitli k değerleri için Euclidean distance ile k-means çalıştırmak ve bir elbow plot oluşturmak, optimal k değerini bulmak için bir yöntem olsa da, doğrudan doğal grupları görselleştirmek için t-SNE kadar etkili değildir ve yüksek boyutlu verilerin doğrudan görselleştirilmesini sağlamaz. Sayısal özellikleri t-SNE ile gömmek ve bir line chart oluşturmak mantıksızdır, çünkü line chart zaman serisi veya sıralı verileri göstermek için kullanılırken, t-SNE çıktısı kümeleri gösteren noktalardan oluşur. Çeşitli k değerleri için Euclidean distance ile k-means çalıştırmak ve her kümedeki her sayısal özellik için box plot'lar üretmek, küme özelliklerini analiz etmek için kullanılabilir ancak kümelerin genel yapısını ve ilişkilerini doğrudan görselleştirmek için t-SNE ve scatter plot kadar hızlı ve sezgisel değildir.