Segmentación Socioeconómica de Países usando K-Means Clustering

Creado por: María Isabel Zuluaga Quintero, Santiago Machado Serna

Descripción

Este proyecto implementa el algoritmo K-Means Clustering en Python utilizando pandas y numpy. Se trata de un enfoque de aprendizaje automático no supervisado que permite agrupar datos en clusters según sus similitudes. Su aplicación incluye segmentación de clientes, reconocimiento de patrones y análisis socioeconómico.

Arquitectura del Proyecto

machine_learning/
├── src/
│   ├── __init__.py
│   ├── model/
│   │   ├── KMeansLogic.py
│   │   ├── __init__.py
│   │   ├── errors/
│   │   │   ├── KMeansError.py
│   │   │   ├── __init__.py
│   ├── view/
│   │   ├── console/
│   │   │   ├── KMeansConsoleView.py
│
└── tests/
    ├── KMeansTest.py
    ├── __init__.py

│   casos_prueba.xlsx
│   datos_prueba.csv
│   estructura.txt
│   poetry.lock
│   pyproject.toml
│   README.md

Instalación y Configuración

1. Requisitos Previos

• Python 3.6 o superior
• Poetry para la gestión de dependencias

2. Clonar el Repositorio

git clone https://github.com/sanma613/machine_learning.git
cd machine_learning

3. Instalar Dependencias

poetry install

---

Uso del Proyecto

Ejecutar la Interfaz de Consola

python src/view/console/KMeansConsoleView.py

• Se solicitará el dataset a clusterizar (por defecto hay un dataset de prueba en la raíz del proyecto).
• El dataset debe contener las siguientes columnas: GDP_per_capita, life_expectancy, literacy_rate.
• Se indicará el número de centroides deseados y las iteraciones máximas.
• Un mayor número de iteraciones mejora la precisión de los resultados.

Ejecutar Pruebas Unitarias

python -m unittest tests/KMeansTest.py

Se incluyen:

• 3 casos de prueba normales
• 3 casos de prueba extraordinarios
• 4 casos de error

---

📥 Entradas del Algoritmo

• Dataset: DataFrame de pandas con datos numéricos. Cada fila representa un punto de datos y cada columna una característica.
• num_centroids: Entero positivo que define el número de clusters.
• max_i: Entero positivo que indica el número máximo de iteraciones.

📤 Salidas del Algoritmo

• Coordenadas de los centroides refinados: Lista de tuplas con los centroides finales.
• Dataset modificado que incluye:
  • Datos normalizados para GDP_per_capita, life_expectancy y literacy_rate.
  • Columna assigned_cluster: Índice del cluster asignado a cada punto de datos.

---

Proceso de K-Means

1. Inicialización: Se seleccionan aleatoriamente k centroides a partir de los datos.
2. Asignación de clusters: Cada punto se asigna al centroide más cercano.
3. Actualización de centroides: Se recalculan los centroides como la media de los puntos asignados a cada cluster.
4. Iteración: Se repiten los pasos hasta que los centroides se estabilizan o se alcanza el número máximo de iteraciones.

---

📊 Casos de Prueba

Un archivo en Excel (casos_prueba.xlsx) contiene al menos 10 casos de prueba usados para validar el algoritmo:

• 3 casos normales
• 3 casos extraordinarios
• 4 casos de error

Los resultados pueden ser verificados con las pruebas unitarias incluidas en el repositorio.

---

📌 Recomendaciones

• Se recomienda usar el dataset de prueba incluido en el repositorio.
• Si creas tu propio dataset, asegúrate de incluir GDP_per_capita, life_expectancy y literacy_rate.
• Antes de ejecutar el algoritmo, revisa que los datos sean numéricos y no contengan valores nulos.
• Experimenta con diferentes valores de num_centroids y max_i para obtener mejores resultados.
• Utiliza herramientas de visualización para analizar la segmentación realizada por el modelo.