K-Means

1. Carregamento dos Dados

Os dados utilizados são provenientes de um arquivo CSV hospedado online, contendo informações sobre carros, como quilometragem (mileage), preço (price) e tipo de transmissão (transmission). O carregamento é feito com pandas:

import pandas as pd
url = "https://raw.githubusercontent.com/EnricoDiGioia/Machine-Learning/refs/heads/main/data/audi.csv"
df = pd.read_csv(url)

2. Seleção de Variáveis para Clustering

Para o agrupamento, são escolhidas duas variáveis numéricas: mileage e price. Elas são extraídas do DataFrame para formar a matriz de entrada do K-Means:

X = df[["mileage", "price"]].values

3. Execução do K-Means

O algoritmo K-Means é aplicado para dividir os dados em grupos (clusters) com base na similaridade dessas variáveis.

from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters=3, init='k-means++', max_iter=100, random_state=42)
labels = kmeans.fit_predict(X)
df['cluster'] = labels

4. Visualização dos Resultados

Os clusters são visualizados em um gráfico de dispersão, onde cada cor representa um cluster. A legenda mostra, para cada cluster, a distribuição dos tipos de transmissão mais comuns:

import matplotlib.pyplot as plt
cmap = plt.get_cmap('viridis')
colors = [cmap(i / (kmeans.n_clusters - 1)) for i in range(kmeans.n_clusters)]
legend_labels = []
for cluster in range(kmeans.n_clusters):
    cluster_data = df[df['cluster'] == cluster]
    trans_counts = cluster_data['transmission'].value_counts(normalize=True).head(2)
    parts = [f"{t} {p*100:.0f}%" for t, p in trans_counts.items()]
    legend_labels.append(f"Cluster {cluster}: " + " | ".join(parts))
    plt.scatter(cluster_data['mileage'], cluster_data['price'], color=colors[cluster], s=50)
for i, txt in enumerate(legend_labels):
    plt.scatter([], [], color=colors[i], label=txt)
plt.scatter(kmeans.cluster_centers_[:,0], kmeans.cluster_centers_[:,1], c='red', marker='*', s=200, label='Centroids')
plt.legend()
plt.title('K-Means Clustering Results')
plt.xlabel('Mileage')
plt.ylabel('Price')

5. Interpretação dos Clusters

Após o agrupamento, é possível analisar a relação entre os clusters e o tipo de transmissão. O K-Means não utiliza transmission para formar os grupos, mas a distribuição desse atributo em cada cluster pode ser observada na legenda e em tabelas cruzadas:

print(pd.crosstab(df['cluster'], df['transmission']))

6. Limitações e Considerações

• O K-Means só considera as variáveis numéricas escolhidas.
• Se um tipo de transmissão for dominante, pode aparecer repetido na legenda de vários clusters.
• Para incluir variáveis categóricas no agrupamento, é necessário codificá-las (one-hot encoding) ou usar algoritmos específicos para dados mistos (ex.: k-prototypes).

7. Exemplos de Código

Os códigos trazem exemplos completos do processo descrito acima: