Proyecto de agrupación con K-Means

En este proyecto, aplicaremos la agrupación mediante 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:

• Identificador 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 los datos

Seleccionaremos las características relevantes para la agrupación 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. Para ello, representamos la suma de cuadrados intra-clúster (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: Aplicación de la agrupación mediante K-Means

Según el método del codo, elegimos el número óptimo de clústeres (por ejemplo, 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: Interpretación de los clústeres

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

• Clúster 1: Ingresos altos y gasto elevado.
• Clúster 2: Ingresos bajos y gasto reducido.
• Clúster 3: Ingresos moderados y gasto elevado.

Desafíos de la agrupación en el mundo real

Aunque la agrupación es una técnica potente, sus aplicaciones en el mundo real afrontan 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 mediante K-Means y visualizamos los resultados.
• Interpretamos los clústeres para comprender el comportamiento de los clientes.

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