K-Means en scikit-learn

Parte de la sección Aprendizaje no supervisado del Journey de Machine Learning de Coddy. Lección 4 de 51.

scikit-learn ejecuta todo el ciclo de k-means por ti, aquí con 180 manzanas puntuadas por su dulzor y su crujiente:

180 manzanas, dulzor en el eje horizontal y crujiente en el vertical, en tres grupos con una estrella negra en cada centro: dulces y crujientes arriba a la derecha, blandas abajo, ácidas y crujientes arriba a la izquierda. Una manzana nueva en la parte superior derecha se une al grupo 0

Ajusta solo con X, sin y:

from sklearn.cluster import KMeans
km = KMeans(n_clusters=3, n_init=10, random_state=0)
km.fit(X)
print(km.labels_[:8])
print(km.cluster_centers_.round(1))

Esto imprime los números de clúster de 8 filas, después una fila por centro:

[2 0 0 1 2 0 1 1]
[[7.  7.5]
 [6.  3. ]
 [2.9 8.1]]

n_init=10 prueba 10 inicios y conserva el más compacto. km.predict([[8.6, 9.2]]) asigna la manzana nueva a su centro más cercano, [0].

labels = km.fit_predict(X) hace ambas cosas a la vez: ajusta y después devuelve labels_.

Los números son solo nombres: con otros datos, el clúster 0 puede ser cualquier grupo.

Desafío

Fácil

Un biólogo registró 150 inmersiones de una ballena jorobada: la duración de la inmersión y el descanso en la superficie después de ella. ¿Hay distintos tipos de inmersión? El código inicial prepara el gráfico.

Ajusta KMeans a X: 3 grupos, n_init=10, random_state=0.
Representa cada grupo con sus propios puntos, etiquetado de cluster 0 a cluster 2.
Marca los centros con estrellas negras, etiquetadas como centers. Añade una leyenda y muestra el gráfico.

Así, con otra ballena:

Un diagrama de dispersión titulado Whale Dives, con los minutos de inmersión en el eje horizontal y el descanso en la superficie en el eje vertical: tres grupos, inmersiones cortas con descansos largos en la parte superior izquierda, inmersiones cortas con descansos cortos en la parte inferior, inmersiones largas a la derecha, una estrella negra en cada grupo y una leyenda

Coddy describe tu gráfico.

Pruébalo tú mismo

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

# No cambies las líneas de abajo
rng = np.random.default_rng(14)
dive = np.concatenate([rng.normal(4, 1.0, 60), rng.normal(12, 2.0, 50), rng.normal(2.5, 0.7, 40)])
rest = np.concatenate([rng.normal(1.5, 0.5, 60), rng.normal(4, 1.0, 50), rng.normal(8, 1.5, 40)])
# 150 inmersiones de una ballena jorobada: duración de cada inmersión y del descanso en la superficie posterior, en minutos
X = np.round(np.clip(np.column_stack([dive, rest]), 0.5, None), 1)

fig, ax = plt.subplots()
ax.set_title("Whale Dives")
ax.set_xlabel("Dive (min)")
ax.set_ylabel("Surface rest (min)")

# Escribe tu código abajo