Índice del más cercano
Devolvé el ÍNDICE del punto de `puntos` más cercano a `punto`.
Entrá y llevá tu progreso —ejercicios, medallas y Pokémon— a cualquier dispositivo. 🔄
Si tu cuenta ya tiene progreso guardado, se carga ese al entrar.
Entraste como . Tu progreso se sincroniza solo. 🔄
Devolvé el ÍNDICE del punto de `puntos` más cercano a `punto`.
🎯 Meta: descubrir grupos en los datos sin tener las respuestas. Es el aprendizaje no supervisado: el modelo agrupa solo lo que se parece.
Hasta ahora siempre tuvimos y (las respuestas). Pero a veces no las tenés y querés que la IA descubra la estructura sola. Por ejemplo: agrupar Pokémon parecidos sin decirle de qué tipo son. Eso es clustering.
KMeans divide los datos en k grupos poniendo juntos los que están cerca.
import numpy as np
from sklearn.cluster import KMeans
# stats de 6 Pokémon: dos "familias" bien separadas
X = np.array([[1, 1], [2, 1], [1, 2], [10, 10], [11, 10], [10, 11]])
modelo = KMeans(n_clusters=2, random_state=0, n_init=10)
modelo.fit(X)
print("grupo de cada uno:", modelo.labels_) # ej: [0 0 0 1 1 1]
💡 Los números de grupo (0, 1) son arbitrarios: lo que importa es que los parecidos quedaron juntos. random_state=0 y n_init=10 lo hacen reproducible.
import numpy as np
from sklearn.cluster import KMeans
X = np.array([[1, 1], [2, 1], [10, 10], [11, 10]])
modelo = KMeans(n_clusters=2, random_state=0, n_init=10).fit(X)
# un Pokémon nuevo cercano a la primera familia
print(modelo.predict([[1.5, 1.5]])) # el grupo de los primeros
P: ¿Qué diferencia al clustering (aprendizaje no supervisado) de la clasificación?
- El clustering necesita más datos para funcionar
+ En clustering no hay etiquetas `y`; el modelo descubre los grupos solo
- El clustering predice números en vez de categorías
> En clasificación tenés `y` (las respuestas correctas). En clustering **no tenés `y`**: el modelo agrupa los datos por similitud sin que nadie le diga cuáles van juntos.
| Supervisado | No supervisado | |
|---|---|---|
Tenés y | sí (las respuestas) | no |
| Hace | predecir una etiqueta | descubrir grupos |
| Ejemplos | clasificación, regresión | clustering (KMeans) |
💡 El clustering sirve para explorar: segmentar clientes, agrupar noticias parecidas, detectar familias de Pokémon… todo sin etiquetas previas.
P: ¿Qué guarda `modelo.labels_` después de un `KMeans.fit(X)`?
- Los centros (centroides) de cada grupo
- Los datos de entrada `X` ordenados por grupo
+ Un número de grupo para cada dato de `X`
> `labels_` es un arreglo con el mismo largo que `X`. Cada posición tiene el número de grupo al que pertenece ese dato: `[0, 0, 0, 1, 1, 1]` significa que los 3 primeros van al grupo 0 y los 3 últimos al grupo 1.
| Cosa | Para qué |
|---|---|
| no supervisado | aprender sin respuestas (y) |
KMeans(n_clusters=k) | armar k grupos |
.labels_ | a qué grupo quedó cada dato |
.predict([fila]) | grupo de un dato nuevo |
Practicá con los ejercicios de este tema. 💪
⚡ “Sin respuestas, sin problema: la IA encuentra el orden escondido en los datos.”