Ejemplo K-Means#

Importar librerías y generar datos ficticios:

import numpy as np
import pandas as pd
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import silhouette_score
import matplotlib.pyplot as plt

# Generar datos ficticios
np.random.seed(42)
X = np.vstack(
    [
        np.random.normal(loc=0, scale=0.5, size=(100, 2)),
        np.random.normal(loc=3, scale=0.5, size=(100, 2)),
        np.random.normal(loc=6, scale=0.5, size=(100, 2)),
    ]
)
data = pd.DataFrame(X, columns=["Feature1", "Feature2"])

# Visualizar los datos generados
plt.scatter(data["Feature1"], data["Feature2"])
plt.xlabel("Feature1")
plt.ylabel("Feature2")
plt.title("Datos Ficticios")
plt.show()
../../../_images/output_2_03.png

Escalar las variables:

# Escalar los datos
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

scikit-learn:#

Por defecto n_clusters=8 y las iteraciones max_iter=300.

kmeans = KMeans(n_clusters=2, random_state=34)

kmeans.fit(X_scaled)

KMeans(n_clusters=2, random_state=34)

Centroides:

kmeans.cluster_centers_

array([[-1.20952284, -1.19727913],
       [ 0.61387843,  0.60766428]])

# Ver los centroides de cada clúster
centroides = pd.DataFrame(
    scaler.inverse_transform(kmeans.cluster_centers_), columns=["Feature1", "Feature2"]
)
print(centroides)

   Feature1  Feature2
0 -0.043553  0.041474
1  4.536589  4.489311

Etiquetas:

kmeans.labels_

array([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, 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, 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,
       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, 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, 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, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1])

# Visualizar los clústeres
plt.figure(figsize=(8, 4))
plt.scatter(data["Feature1"], data["Feature2"], c=kmeans.labels_, cmap="viridis")
plt.scatter(centroides["Feature1"], centroides["Feature2"],
            s=300, c="red", label="Centroides")
plt.xlabel("Feature1")
plt.ylabel("Feature2")
plt.title("Clustering con K-Means")
plt.legend()
plt.show()
../../../_images/output_14_0.png

WCSS:

kmeans.inertia_

158.98687738372277

Cantidad de iteraciones:

kmeans.n_iter_

6

Código optimizado:#

Determinar el número óptimo de Clústeres usando el Método del Codo:

# Calcular WCSS para diferentes valores de K
wcss = []
K = range(1, 10)
for k in K:
    kmeans = KMeans(n_clusters=k, random_state=34)
    kmeans.fit(X_scaled)
    wcss.append(kmeans.inertia_)

# Visualizar el método del codo
plt.figure(figsize=(8, 4))
plt.plot(K, wcss, "bo-")
plt.xlabel("Número de clústeres (K)")
plt.ylabel("WCSS")
plt.title("Método del Codo para determinar el número óptimo de clústeres")
plt.show()
../../../_images/output_21_01.png

Determinar el número óptimo de Clústeres usando el Método de la Silueta:

# Calcular la puntuación de la silueta para diferentes valores de K
silhouette_scores = []
K = range(2, 11)
for k in K:
    kmeans = KMeans(n_clusters=k, random_state=34)
    kmeans.fit(X_scaled)
    labels = kmeans.labels_
    score = silhouette_score(X_scaled, labels)
    silhouette_scores.append(score)

# Visualizar la puntuación de la silueta
plt.figure(figsize=(8, 4))
plt.plot(K, silhouette_scores, "bo-")
plt.xlabel("Número de clústeres (K)")
plt.ylabel("Puntuación de la Silueta")
plt.title("Método de la Silueta para determinar el número óptimo de clústeres")
plt.show()
../../../_images/output_23_0.png

Ajustar K-Means con el número óptimo de Clústeres:

optimal_k = 3

# Ajustar K-Means con el número óptimo de clústeres
kmeans = KMeans(n_clusters=optimal_k, random_state=34)
kmeans.fit(X_scaled)
data["cluster"] = kmeans.labels_

# Ver los centroides de cada clúster
centroides = pd.DataFrame(scaler.inverse_transform(kmeans.cluster_centers_),
                          columns=["Feature1", "Feature2"])
print(centroides)

# Visualizar los clústeres
plt.figure(figsize=(8, 4))
plt.scatter(data["Feature1"], data["Feature2"], c=data["cluster"], cmap="viridis")
plt.scatter(
    centroides["Feature1"], centroides["Feature2"], s=300, c="red", label="Centroides"
)
plt.xlabel("Feature1")
plt.ylabel("Feature2")
plt.title("Clustering con K-Means")
plt.legend()
plt.show()

   Feature1  Feature2
0 -0.057782  0.017011
1  5.977481  5.936864
2  3.064124  3.021744
../../../_images/output_25_1.png

Iteraciones:#

# Visualizar K-Means con diferentes valores de K
fig, axes = plt.subplots(3, 3, figsize=(15, 15))
axes = axes.flatten()

for i, k in enumerate(range(1, 10)):
    kmeans = KMeans(n_clusters=k, random_state=42)
    kmeans.fit(X_scaled)
    data["cluster"] = kmeans.labels_

    # Ver los centroides de cada clúster
    centroides = pd.DataFrame(scaler.inverse_transform(kmeans.cluster_centers_),
                              columns=["Feature1", "Feature2"],)

    # Visualizar los clústeres
    ax = axes[i]
    ax.scatter(data["Feature1"], data["Feature2"], c=data["cluster"], cmap="viridis")
    ax.scatter(
        centroides["Feature1"],
        centroides["Feature2"],
        s=300,
        c="red",
        label="Centroides",
    )
    ax.set_title(f"K-Means con K={k}")
    ax.set_xlabel("Feature1")
    ax.set_ylabel("Feature2")

plt.tight_layout()
plt.show()
../../../_images/output_27_0.png