一位資料科學家將使用 SageMaker k-means 來區隔客戶，並且必須選擇最佳的叢集數量 (k)。哪種視覺化方法能最可靠地識別出最佳的 k 值？

肘部法則 (Elbow Method) 透過繪製不同 k 值下的平方誤差和 (SSE)，來識別最佳的 k 值。SSE 衡量每個點到其所屬叢集中心的距離平方和。隨著 k 值增加，SSE 通常會減少，因為資料點離其叢集中心更近。肘部點是 SSE 顯著下降趨勢開始變緩的點，表示再增加叢集數量所帶來的邊際效益遞減，因此該點的 k 值通常被認為是最佳選擇。 其他選項的錯誤原因： PCA 散佈圖：僅使用前兩個 PCA 元件會丟失大量資訊，可能無法準確反映真實的叢集結構。 PCA 解釋變異數圖：此圖用於確定保留多少 PCA 元件以解釋足夠的變異數，而非直接選擇 k-means 的 k 值。 t-SNE 困惑度圖：t-SNE 是一種降維技術，困惑度是其參數，用於平衡局部和全局結構的保留，但它不直接用於選擇 k-means 的最佳 k 值。