Resolviendo con K-means

Clase 21 de 27 • Curso de Clustering con Python y scikit-learn

Carlos Mazzaroli

student•

Asi queda lindo

data = [
    (sum_of_squared_distances, 'Elbow Method WCSS'),
    (silhouette_scores, 'Elbow Method Silhouette Coefficient')
]

fig, axes = plt.subplots(1, 2, figsize=(18, 8))

for i, (values, title) in enumerate(data):
    sns.lineplot(ax=axes[i], x=K, y=values, linestyle='dashed', marker='o', markersize=10, color='b')
    axes[i].set_xlabel('K')
    axes[i].set_ylabel('Inertia' if i == 0 else 'Silhouette Coefficient')
    axes[i].set_title(title, size=15)

Julián Cárdenas

student•

Sí pero de la otra manera también me parece bien:

Juan García Bauzá

student•

El coeficiente de silueta mide cuán similar es cada punto a su propio cluster en comparación con otros clusters cercanos. Un valor de coeficiente de silueta más alto indica una mejor separación entre los clusters. Sin embargo, es posible que obtengas un valor alto de coeficiente de silueta incluso si el número de clusters no es el óptimo. Esto puede suceder si los datos tienen estructuras complejas o superpuestas que hacen que los puntos se agrupen de manera razonable incluso con un número incorrecto de clusters.

Rodrigo Martinez

student•

Exacto, cuando tenemos alta dimensionalidad nuestros datos quedan proyectados en hyperplanos que pueden no separar correctamente los datos, por eso es muy importante conocer nuestros datos y como trabajarlos para que no nos afecte este problema.

Gerardo Jesus Ignacio Villacorta

student•

Con PCA

- Sin PCA

Juan Acevedo

student•

bien ahí , pero recomendaría que para ese caso te guíes de donde empieza a disminuir poco a poco ya que el método de elbow como fue explicado en la clase se basa en el WCSS y este es como una función de costo el cual te da con cuantos K suele tener mas distancia total, por ende no te guías del mas alto , sino de cuando empieza a bajar en que punto empieza a reducir poco.

Ahí para guiarse del mas alto, es donde entra el coeficiente de silueta

Mario Alexander Vargas Celis

student•

Perfecto, resolver un problema de clustering con K-means implica los siguientes pasos clave:

✅ 1. Preparar los datos

Asegúrate de escalar los datos y eliminar columnas no numéricas como 'country'.

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler() X_scaled = scaler.fit_transform(df_country.drop('country', axis=1)) # Solo si 'country' está presente

✅ 2. Elegir el número de clusters (K)

Puedes usar el método del codo para encontrar un buen valor de K:

from sklearn.cluster import KMeans import matplotlib.pyplot as plt

inertia = [] K_range = range(1, 11)

for k in K_range: kmeans = KMeans(n_clusters=k, random_state=42) kmeans.fit(X_scaled) inertia.append(kmeans.inertia_)

plt.plot(K_range, inertia, marker='o') plt.xlabel('Número de clusters (K)') plt.ylabel('Inercia') plt.title('Método del codo') plt.grid(True) plt.show()

Busca el "codo" en la curva: el punto donde la inercia deja de disminuir rápidamente.

✅ 3. Ajustar el modelo con el K elegido

k = 3 # por ejemplo, según el codo kmeans = KMeans(n_clusters=k, random_state=42) clusters = kmeans.fit_predict(X_scaled)

✅ 4. Visualizar resultados (opcional con PCA)

from sklearn.decomposition import PCA

pca = PCA(n_components=2) X_pca = pca.fit_transform(X_scaled)

plt.scatter(X_pca[:, 0], X_pca[:, 1], c=clusters, cmap='viridis') plt.xlabel('PCA 1') plt.ylabel('PCA 2') plt.title('Clustering con K-means') plt.colorbar(label='Cluster') plt.grid(True) plt.show()

✅ 5. Analizar los grupos

Puedes agregar los resultados de los clusters al DataFrame original:

df_country['cluster'] = clusters

Luego analizar, por ejemplo, con .groupby('cluster').mean().

Juan Acevedo

student•

CON PCA

SIN PCA

Felix Gonzales

student•

Me gusta mas como queda así:

fig, axes = plt.subplots(2, 1, figsize=(8, 8))

# Gráfico 1: Suma de cuadrados de las distancias
axes[0].plot(K, sum_quare_of_distances, 'bx-')
axes[0].set_xlabel('K')
axes[0].set_ylabel('Suma de cuadrados de las distancias')
axes[0].set_title('Suma de cuadrados de las distancias en función de K')

# Gráfico 2: Puntuación de silueta
axes[1].plot(K, silhouette_scores, 'rx-')
axes[1].set_xlabel('K')
axes[1].set_ylabel('Puntuación de silueta')
axes[1].set_title('Puntuación de silueta en función de K')

plt.tight_layout()
plt.show()

```fig, axes = plt.subplots(2, 1, figsize=(8, 8))
\# Gráfico 1: Suma de cuadrados de las distanciasaxes\[0].plot(K, sum\_quare\_of\_distances, 'bx-')axes\[0].set\_xlabel('K')axes\[0].set\_ylabel('Suma de cuadrados de las distancias')axes\[0].set\_title('Suma de cuadrados de las distancias en función de K')
\# Gráfico 2: Puntuación de siluetaaxes\[1].plot(K, silhouette\_scores, 'rx-')axes\[1].set\_xlabel('K')axes\[1].set\_ylabel('Puntuación de silueta')axes\[1].set\_title('Puntuación de silueta en función de K')
plt.tight\_layout()plt.show()

Octavio De Paula

student•

Para los que les sale el siguiente error:

FutureWarning: The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning
  super()._check_params_vs_input(X, default_n_init=10)

Deben agregar un parametro llamado n_init:

for _ in K:
    km = KMeans(n_clusters = _, n_init=10)

Resolviendo con K-means

Fundamentos de clustering

¿Qué es el clustering en machine learning?

Tu primer clustering con scikit-learn

¿Cuándo usar clustering?

¿Cómo evaluar modelos de clustering?

K-means

¿Qué es el algoritmo de K-means y cómo funciona?

¿Cuándo usar K-means?

Implementando K-means

Encontrando K

Evaluando resultados de K-means

Hierarchical clustering

¿Qué es hierarchical clustering y cómo funciona?

¿Cuándo usar hierarchical clustering?

Implementando hierarchical clustering

Evaluando resultados de hierarchical clustering

DBSCAN

¿Qué es DBSCAN y cómo funciona?

¿Cuándo usar DBSCAN?

Implementando DBSCAN

Encontrar híper-parámetros

Evaluando resultados de DBSCAN

Proyecto: resolviendo un problema con clustering

Preparar datos para clusterizar

Aplicando PCA para clustering

Resolviendo con K-means

Resolviendo con hierarchical clustering

Resolviendo con DBSCAN

Resolviendo con DBSCAN (sin PCA)

Evaluación resultados de distintos modelos de clustering

Conclusiones

Proyecto final y cierre

Comparte tu proyecto de segmentación con clustering y certifícate