O agrupamento K-means é o algoritmo de agrupamento mais popular usado para agrupar pontos de dados semelhantes em um conjunto de dados. O algoritmo funciona selecionando inicialmente um valor k, que representa o número de aglomerados ou grupos que queremos identificar nos dados.

Vamos descrever brevemente todas as etapas da operação deste algoritmo:

Etapa 1. O algoritmo inicializa k pontos aleatórios no conjunto de dados, chamados centróides.

Passo 2. Cada ponto de dados é então atribuído ao centróide mais próximo com base em uma métrica de distância, como a distância euclidiana. Esse processo cria k clusters, com cada cluster consistindo dos pontos de dados que estão mais próximos ao centróide.

Passo 3. Os centróides são movidos para o centro de cada cluster.

Passo 4. Os passos 2 e 3 são repetidos. O algoritmo atualiza os centroides iterativamente e reatribui os pontos de dados até a convergência, quando os centroides não se movem mais.

Podemos ver que este algoritmo é bastante simples e intuitivo, mas possui algumas desvantagens graves:

• precisamos escolher manualmente o número de clusters.
• o algoritmo depende dos valores iniciais dos centroides.
• o algoritmo é altamente afetado por outliers.

Vamos dar uma olhada na implementação do K-means em Python:

No código acima, utilizamos o seguinte:

1. Classe Kmeans de sklearn.cluster. O parâmetro n_clusters determina o número de agrupamentos nos dados.
2. O método .fit(X) da classe Kmeans ajusta nosso modelo - determina os agrupamentos e seus centros de acordo com os dados X.
3. O atributo .labels_ da classe KMeans armazena os números dos agrupamentos para cada amostra dos dados de treinamento (agrupamento 0, agrupamento 1, agrupamento 2, ...).
4. O atributo .cluster_centers_ da classe KMeans armazena as coordenadas dos centros dos agrupamentos ajustados pelo algoritmo.
5. O método .predict() da classe Kmeans é usado para prever as etiquetas de novos pontos.