Proyecto de Machine Learning no Supervisado: aplicando algoritmo k-means

Clase 20 de 32 • Curso de Introducción a Machine Learning 2018

Junior Cupe Casquina

student•

# Requirements
#   pip install matplotlib
#   pip install python-mnist
#   pip install scikit-learn
#   pip install seaborn

import matplotlib.pyplot as plt
from sklearn.datasets.samples_generator import make_blobs
from sklearn.cluster import KMeans

X, Y = make_blobs(n_samples=500, centers=4)
plt.scatter(X[:, 0], X[:, 1], s=50)
kMeans = KMeans(n_clusters=4)
kMeans.fit(X)
y_kMeans = kMeans.predict(X)
centers = kMeans.cluster_centers_
print(centers)
plt.scatter(X[:, 0], X[:, 1], c=y_kMeans, cmap='viridis')
plt.scatter(centers[:, 0], centers[:, 1], c='black', s=200, alpha=0.5)
plt.show()

Damian Spizzirri

student•

Gracias.
No les costaba nada a los del curso mencionarlo. Son 3 segundos lo que tardaban y le agregan calidad.

Sebastian Villegas

student•

Viendo nueva clase, y para los que estan trabajando , no olviden lo siguiente:

En esta clase usamos una nueva libreria, la libreria “seaborn” , la cual, en windows la instalamos con:

pip install seaborn

No da ningun problema la libreria

Para poder ver las graficas, y no estamos en jupyter o espacios similares, debemos poner:

plt.show()

Y por ultimo, el codigo de esta clase:

import matplotlib.pyplot as plt
import seaborn as sns; sns.set()
import numpy as np
from sklearn.datasets.samples_generator import make_blobs
from sklearn.cluster import KMeans

X,Y = make_blobs(n_samples = 500, centers =4)

plt.scatter(X[:,0],X[:,1], s=50)



kmeans = KMeans(n_clusters=4)

kmeans.fit(X)

y_means = kmeans.predict(X)

centers = kmeans.cluster_centers_
print(centers)

plt.scatter(X[:,0], X[:,1], c=y_means,cmap='viridis')
plt.scatter(centers[:,0],centers[:,1], c='black', s=200, alpha = 0.5)
plt.show()

Darvin Orozco

student•

Gracias por el consejo!

Jahir Moreno

student•

Dato: pueden ver la documentación de las funciones en Jupyter Notebook al igual que todas las funciones disponibles para las librerias usando shift+tab justo despues de la funcion o libreria. Para ver ejemplos de las mismas shift+ doble tab.

Mauricio Gomez

student•

Script de Python:

import matplotlib.pyplot as plt
import seaborn as sns; sns.set()
import numpy as np

from sklearn.datasets.samples_generator import make_blobs
from sklearn.cluster import KMeans

X, Y = make_blobs(n_samples = 300, centers = 4)
plt.scatter(X[:,0], X[:,1], s=50)

# Algoritmo k-means

kmeans = KMeans(n_clusters=4)
kmeans.fit(X)

# Cluster labels
y_means = kmeans.predict(X)

# Centroid Values:
centers =  kmeans.cluster_centers_
print(centers)

# Plot
plt.scatter(X[:,0], X[:,1], c=y_means, cmap='viridis')
plt.scatter(centers[:,0], centers[:,1], c='black', s=200, alpha=0.5)

plt.show()

Mauricio Gomez

student•

Resultado:

Sebastian Villegas

student•

Esta grafica es muy distinta a la tuya, que podria ser ? Veo los puntos bastantes separados…

Miguel Celis

student•

Por cada ejecución que realicemos, el clúster de puntos se generará de manera diferente, esto es porque el random_state está activo.

Si quieres que el cluster siempre se genere de la misma manera debes pasar un valor fijo al parametro random_state en la función make_blobs().

Quedaría algo así:

X, Y = make_blobs(n_samples=500, centers=4, random_state=1)

El valor fijo puede ser cualquier número real y el resultado siempre será el mismo, esto es útil para realizar pruebas o si la profesora quisiera que a todos nos salga el mismo cluster de puntos, pero como no lo estamos usando a todos nos saldrá un clúster aleatoreo.

Pedro Quiñonez Verdugo

student•

# importar las librerias para los graficos
import matplotlib.pyplot as plt
import seaborn as sns; sns.set()

# importar manejo de array
import numpy as np

# importar el generador de ejemplos
from sklearn.datasets import make_blobs


#graficarlo
X, Y = make_blobs(n_samples=500, centers=4)
plt.scatter(X[:, 0], X[:, 1], s=50)
plt.show()

# importamos el KMeans para el agrupamiento
from sklearn.cluster import KMeans

# indicamos el numero de agrupamientos
kMeans = KMeans(n_clusters=4)

# entrenamos el algoritmo con los datos anteriores
kMeans.fit(X)

# luego de entrenar usamos la prediccion
y_kMeans = kMeans.predict(X)

# nos devuelve los puntos centrales donde estan las agrupaciones
centers = kMeans.cluster_centers_
print("centros encontrados por kmeans:",centers)

# graficamos los puntos agrupados en colores diferentes
plt.scatter(X[:, 0], X[:, 1], c=y_kMeans, cmap='viridis')

# incluimos los centroides
plt.scatter(centers[:, 0], centers[:, 1], c='black', s=200, alpha=0.5)
plt.show()

Alejandro Cuello Maure

student•

Si quieren hacer que al comentar se detecte que el codigo es de python es asi

'```' python 

< codigo aqui> 
'```'

Sirve para cualquier otro lenguaje. (omitan las comillas simples a cada lado de los (`))

José Ricardo Romo Gutiérrez

student•

Esta interesante este algoritmo de clasificacion, se puede utlizar por ejemplo para clasificar publicaciones de una red social, para clasificar por ejemplo la intencion del usuario, o si son fake news, o para determinar el tipo de la publicacion

Victor Daniel Aguirre Gil

student•

una vez que le agarras la onda esta genial.

Alejandro Segura Zequeira

student•

En jupiter notebook pueden consultar datos sobre una funcion, clase, dato utilizando el signo '?' despues de esta y ejecutandolo. Ej.

 train_labels?

Que devuelve el tipo de dato , el tamaño del array, y una docstring.

Lorenzo Cardona

student•

Hola creo que lo que podrías estar buscando es esta función

 type("hola mundo")
<type 'str'>

saludos

Sebastian Ataucusi Salazar

student•

Una recomendación, traten en lo posible de realizar por su cuenta los algoritmos de clustering, no soy muy complicados y te ayudan mucho a comprender como funciona la IA

Proyecto de Machine Learning no Supervisado: aplicando algoritmo k-means

Intro

Bienvenidos al Curso de Introducción a Machine Learning

Introducción al Machine Learning

Glosario de palabras técnicas

Conceptos Básicos

Conceptos básicos: Inteligencia artificial, Machine Learning y Deep Learning

Inteligencia artificial, Machine Learning y Deep Learning

Inteligencia Humana y Artificial

Machine Learning, Redes Neuronales Artificiales y Aprendizaje Profundo

Ciencias de Datos

Set de Datos

TUTORIAL PROYECTO: Trabajando con datos

Instalación de Jupyter Notebook

SciKit Learn: tutorial básico

Introducción a Datos y Set de Datos

Proyecto: Trabajando con datos

Modelos de ML

Tipos de Machine Learning y modelos principales

Introducción al aprendizaje supervisado y no supervisado

Machine Learning Supervisado Algoritmos: Regresión Lineal, Logísticay Naive Bayes

Machine Learning Supervisado Algoritmos: K-Nearest Neighbors, Decision Tree, Random Forest, y Redes Neuronales

Proyecto Machine Learning Supervisado: práctica con algoritmo de Decision Tree y Random Forest

Machine Learning No Supervisado: Algoritmos

Proyecto de Machine Learning no Supervisado: aplicando algoritmo k-means

Evaluación

Introducción a la evaluación del modelo entrenado

Evaluando nuestro algoritmo entrenado

Matriz de confusión, precisión y recall

Otras evaluaciones: Error cuadrático medio

Proyecto de Machine Learning Supervisado: aplicando la matriz de confusión a nuestro algoritmo entrenado

Probando nuestro algoritmo entrenado en un set de datos nuevos

ML y Matemáticas

Machine Learning y Cálculo / Reto

Introducción al Machine Learning y Matemáticas

Machine Learning y Álgebra Lineal

Machine Learning y Probabilidad y Estadística

Conceptos Finales

Revisión de los pasos seguidos en el proyecto

Recomendaciones y despedida