Proyecto de clustering con K-Means

En este proyecto, aplicaremos clustering con K-Means a un conjunto de datos del mundo real: la segmentación de clientes. El objetivo es agrupar a los clientes según sus patrones de gasto.

Descripción general del conjunto de datos

El conjunto de datos contiene las siguientes columnas:

• ID del cliente: Identificador único de cada cliente.
• Edad: Edad del cliente.
• Ingresos anuales: Ingresos anuales en miles de dólares.
• Puntuación de gasto: Puntuación asignada según el comportamiento y los patrones de gasto del cliente (1–100).

Paso 1: Importación del conjunto de datos y las bibliotecas

Comenzaremos importando las bibliotecas necesarias y cargando el conjunto de datos:

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

# Load dataset
data = pd.read_csv('Mall_Customers.csv')
print(data.head())

Paso 2: Preprocesamiento de datos

Seleccionaremos las características relevantes para el clustering y normalizaremos los datos si es necesario. Para este proyecto, utilizaremos Ingresos anuales y Puntuación de gasto:

# Select relevant features
X = data[['Annual Income (k$)', 'Spending Score (1-100)']].values
print(X[:5])

Paso 3: Determinación del número óptimo de clústeres

Utilizamos el método del codo para encontrar el número óptimo de clústeres representando gráficamente la suma de cuadrados dentro de los clústeres (WCSS) para distintos valores de K:

wcss = []
for i in range(1, 11):
    kmeans = KMeans(n_clusters=i, init='k-means++', random_state=42)
    kmeans.fit(X)
    wcss.append(kmeans.inertia_)

plt.plot(range(1, 11), wcss)
plt.title('Elbow Method')
plt.xlabel('Number of Clusters')
plt.ylabel('WCSS')
plt.show()

Paso 4: Aplicar clustering con K-Means

Según el método del codo, elegimos la cantidad óptima de clústeres (p. ej., K=5) y ajustamos el modelo K-Means:

kmeans = KMeans(n_clusters=5, init='k-means++', random_state=42)
kmeans.fit(X)

# Add cluster labels to the dataset
data['Cluster'] = kmeans.labels_
print(data.head())

Paso 5: Visualización de los clústeres

Podemos representar los clústeres en un espacio 2D para observar su separación:

plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_, cmap='viridis')
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=200, c='red', marker='X')
plt.title('Customer Segmentation')
plt.xlabel('Annual Income (k$)')
plt.ylabel('Spending Score (1-100)')
plt.show()

Paso 6: Interpretar los clústeres

Cada clúster representa un grupo de clientes con patrones de gasto similares. Por ejemplo:

• Clúster 1: Ingresos altos, gasto alto.
• Clúster 2: Ingresos bajos, gasto bajo.
• Clúster 3: Ingresos moderados, gasto alto.

Desafíos del clustering en el mundo real

Aunque el clustering es potente, sus aplicaciones en el mundo real enfrentan desafíos como:

• Conjuntos de datos de alta dimensionalidad.
• Datos ruidosos o incompletos.
• Interpretar los resultados de los clústeres de forma significativa.

Resumen y próximos pasos

En este proyecto:

• Exploramos un conjunto de datos del mundo real.
• Aplicamos la agrupación K-Means y visualizamos los resultados.
• Interpretamos los grupos para comprender el comportamiento de los clientes.

A continuación, aprenderemos sobre técnicas de reducción de dimensionalidad, como PCA y t-SNE.