您有一個包含數千個特徵和每個客戶多個數值欄位的客戶購物行為資料集。您想要快速找出客戶之間的自然分組並將結果視覺化。您應該怎麼做？

正確答案是使用 t-SNE 嵌入數值特徵並建立散佈圖。t-SNE (t-distributed Stochastic Neighbor Embedding) 是一種非線性降維技術，特別適合將高維資料嵌入到二維或三維空間中，同時保留資料點之間的局部結構。這使得在散佈圖上視覺化資料中的自然分組（即群集）變得非常有效。 選項二和選項四的 k-means 是一種聚類演算法，雖然可以找出客戶之間的自然分組，但它本身不直接提供視覺化高維數據的方法。肘部法則圖（選項二）用於確定最佳的 k 值，盒形圖（選項四）用於分析每個聚類中的特徵分佈，但這些都不是直接視覺化高維數據中「自然分組」的最佳方式。選項三的折線圖不適合視覺化高維數據中的群集結構。