Correction d’un pipeline de clustering mal évalué

Scénario

Contexte : Un modèle K-Means segmente des clients mais aucun critère d’évaluation n’a été utilisé. Le Problème : Le nombre de clusters a été choisi arbitrairement sans justification analytique. Extrait logique actuelle : KMeans(n_clusters=3) Contraintes : Utiliser méthode du coude ou score silhouette. Comparer plusieurs valeurs de k. Interpréter résultats. Livrable attendu : Proposer une démarche d’évaluation rigoureuse pour déterminer le nombre optimal de clusters.

Compétences ciblées