Noções básicas de k-means

Análise de cluster em Python

Shaumik Daityari

Business Analyst

Por que k-means?

Um grande problema do agrupamento hierárquico: tempo de execução
K-means é bem mais rápido em conjuntos grandes

Etapa 1: gerar centros dos clusters

kmeans(obs, k_or_guess, iter, thresh, check_finite)

obs: observações padronizadas
k_or_guess: número de clusters
iter: número de iterações (padrão: 20)
thres: limiar (padrão: 1e-05)
check_finite: verifica se há apenas números finitos (padrão: True)

Retorna dois objetos: centros dos clusters e distorção

Como a distorção é calculada?

Etapa 2: gerar rótulos dos clusters

vq(obs, code_book, check_finite=True)

obs: observações padronizadas
code_book: centros dos clusters
check_finite: verifica se há apenas números finitos (padrão: True)

Retorna dois objetos: lista de rótulos de cluster e lista de distorções

Observação sobre distorções

kmeans retorna um único valor de distorção
vq retorna uma lista de distorções.

Executando k-means

# Import kmeans and vq functions
from scipy.cluster.vq import kmeans, vq

# Generate cluster centers and labels
cluster_centers, _ = kmeans(df[['scaled_x', 'scaled_y']], 3)
df['cluster_labels'], _ = vq(df[['scaled_x', 'scaled_y']], cluster_centers)

# Plot clusters
sns.scatterplot(x='scaled_x', y='scaled_y', hue='cluster_labels', data=df)
plt.show()

Em seguida: exercícios!

Análise de cluster em Python