K-means algoritmo de agrupamiento

Procedimiento

K-means es un algoritmo de tipo No Supervisado, por lo que se trabaja con conjuntos de datos que no tienen etiquetas asignadas. Se basa en el desarrollo de K grupos a partir de la identificación de patrones y encontrando similitudes entre los datos. Ejemplos de características generalmente utilizadas para el agrupamiento son el género, la edad, el país, el historial de compra registrado, entre muchos otros ejemplos, actividad en una aplicación móvil.

El procedimiento de trabajo se resume en:

1- Seleccionar un valor para K (centroides).

2- Asignamos cada uno de los elementos restantes al centro más cercano.

3- Asignamos cada punto a su centroide mas cercano.

4- Repetimos paso 2 y 3 hasta que los centros no se modifiquen.

Source: Platzi.com

Source: ai.plainenglish.io

Método del codo

Lo que hace es dividir los siguiente centroides o información hasta graficarlo en un panel o un eje XY

Calcula el agrupamiento para diferentes de K

El error al cuadrado para cada punto es el cuadrado de las distancia del punto desde su centro.

Source: Platzi.com

Trabajando con el dataset Iris

from sklearn.cluster import KMeans from sklearn import datasets import pandas as pd import matplotlib.pyplot as plt

iris = datasets.load_iris()

X_iris = iris.data Y_iris = iris.target

x = pd.DataFrame(iris.data, columns = ['Sepal Length', 'Sepal Width', 'Petal Length', 'Petal Width']) y = pd.DataFrame(iris.target, columns = ['Target']) x.head(5)

Sepal Lengthfloat64

Sepal Widthfloat64

5.1

3.5

4.9

3.0

4.7

3.2

4.6

3.1

5.0

3.6

Petal

plt.scatter(x['Petal Length'], x['Petal Width'], c = 'blue') plt.xlabel('Petal Length', fontsize = 10) plt.ylabel('Petal Width', fontsize = 10)

model = KMeans(n_clusters = 3, max_iter = 1000) model.fit(x) y_labels = model.labels_

y_kmeans = model.predict(x) print('Predicciones', y_kmeans)

Predicciones [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 2 2 2 2 1 2 2 2 2
 2 2 1 1 2 2 2 2 1 2 1 2 1 2 2 1 1 2 2 2 2 2 1 2 2 2 2 1 2 2 2 1 2 2 2 1 2
 2 1]

from sklearn import metrics accuracy = metrics.adjusted_rand_score(Y_iris, y_kmeans) print(accuracy)

0.7302382722834697

plt.scatter(x['Petal Length'], x['Petal Width'], c = y_kmeans, s = 30) plt.xlabel('Petal Length', fontsize = 10) plt.ylabel('Petal Width', fontsize = 10)

Sepal

plt.scatter(x['Sepal Length'], x['Sepal Width'], c = 'blue') plt.xlabel('Sepal Length', fontsize = 10) plt.ylabel('Sepal Width', fontsize = 10)

model_1 = KMeans(n_clusters = 3, max_iter = 1000) model_1.fit(x) y_labels = model_1.labels_

y_kmeans_1 = model_1.predict(x) print('Predicciones', y_kmeans_1)

Predicciones [1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 2 2 2 2 0 2 2 2 2
 2 2 0 0 2 2 2 2 0 2 0 2 0 2 2 0 0 2 2 2 2 2 0 2 2 2 2 0 2 2 2 0 2 2 2 0 2
 2 0]

accuracy_1 = metrics.adjusted_rand_score(Y_iris, y_kmeans_1) print(accuracy_1)

0.7302382722834697

plt.scatter(x['Sepal Length'], x['Sepal Width'], c = y_kmeans_1, s = 30) plt.xlabel('Sepal Length', fontsize = 10) plt.ylabel('Sepal Width', fontsize = 10)