Clustering con KMeans en Python

No supervisado: sin etiquetas, solo centroides y los puntos más cercanos a cada uno.

import numpy as np
from sklearn.cluster import KMeans

puntos = np.array([[1.0, 1.0], [1.4, 0.8], [5.0, 5.2],
                   [5.4, 4.8], [9.0, 9.1], [8.6, 9.4]])

modelo = KMeans(n_clusters=3, n_init=10, random_state=0)
modelo.fit(puntos)

print(modelo.labels_)
print(modelo.cluster_centers_.round(2))
print(f"inercia {modelo.inertia_:.3f}")
print(modelo.predict([[5.2, 5.0]]))

Cómo funciona

1. n_clusters es la elección que te toca justificar.
2. inertia_ es la suma de cuadrados dentro del cluster; más baja, más compacta.
3. labels_ asigna cada fila de entrenamiento a un cluster.

Palabras clave y builtins usados aquí

• as
• print

El intento, en números

Líneas

13

Caracteres a escribir

362

Tokens

122

Ritmo de tres estrellas

110 tpm

Al ritmo de tres estrellas de 110 tokens por minuto, este intento toma unos 67 segundos.

Escribe este fragmento

Paso 1 de 2 en No supervisado; paso 20 de 25 en Machine learning con scikit-learn.

← Anterior Siguiente →