Repaso: cata de té

Parte de la sección Aprendizaje no supervisado del Journey de Machine Learning de Coddy. Lección 15 de 51.

Desafío

Intermedio

Un club de té probó 66 tés. teas.csv contiene cómo se preparó cada uno, tres puntuaciones de sabor y su tipo conocido. ¿Pueden los números por sí solos encontrar los tipos?

Escala las cinco features y agrupa los tés en 3 grupos con k-means.
Describe los grupos en unidades reales, ordenados por temperatura de preparación, y asígnales nombres de names en ese orden, como a los visitantes del parque temático.
Compara con los tipos conocidos: imprime el tamaño de cada grupo, la temperatura, el tiempo de infusión y su tipo más común con su cantidad.

Para otro club:

Delicate: 18 teas, 77°C for 2.5 min, mostly green (15)
Balanced: 25 teas, 87°C for 3.4 min, mostly oolong (20)
Bold: 23 teas, 96°C for 4.8 min, mostly black (22)

Pruébalo tú mismo

import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans

# 66 tés que probó un club de té: cómo se preparan, tres puntuaciones de sabor del 1 al 10 y su tipo
teas = pd.read_csv("teas.csv")
features = ["brew_temp_c", "steep_min", "bitterness", "floral", "malty"]

# Nombres de los clústeres, desde la temperatura de preparación más baja hasta la más alta
names = ["Delicate", "Balanced", "Bold"]

# Escribe tu código a continuación