一家電子商務公司希望使用年齡、收入和地點來建立五個客戶區隔，但現有的標籤是未知的。一個預先訓練好的 XGBoost 模型使用這些特徵來預測客戶是否會回應電子郵件。為什麼 XGBoost 模型不適合建立五個區隔，以及需要進行什麼改變才能滿足要求？

XGBoost 是一種監督式學習演算法，用於預測預定義的標籤（在本例中是客戶是否會回應電子郵件），因此無法用於建立未知的客戶區隔。要建立五個客戶區隔，需要使用非監督式學習方法。K-means 是一種常見的非監督式分群演算法，可以根據資料點之間的相似性將資料分組到預設數量的叢集（K=5）中，從而滿足建立五個區隔的要求。 其他選項不正確的原因： XGBoost 模型輸出二元結果。應用主成分分析 (PCA) 來產生五個特徵，並使用它們來分配區隔。 PCA 是一種降維技術，不能用於分群。 XGBoost 模型輸出二元結果。重新訓練 XGBoost 以預測五個類別，使其直接分配五個區隔之一。 由於現有標籤未知，無法重新訓練 XGBoost 進行多類別分類。 XGBoost 模型是監督式的。使用 K = 5 在相同資料上訓練 k-Nearest Neighbors (kNN) 模型以獲得五個區隔。 kNN 也是一種監督式學習演算法，需要已知標籤才能進行分類，不適用於建立未知區隔。