⚡ Agrupación de pacientes con K-Means
En el capítulo 5, Elena le pregunta al equipo de Minermont si pueden identificar grupos de pacientes en riesgo antes de que enfermen. Esta vez no hay etiquetas, así que Marta propone el aprendizaje no supervisado: dejar que el algoritmo descubra los grupos que existen en los datos. Este notebook implementa K-means a mano y con scikit-learn, con una población sintética de 2000 pacientes.
El notebook interactivo incluye:
- K-means a mano, paso a paso, con el ejemplo pequeño de las notas de Marta (sección 5.4): asignación, actualización y la suma de errores al cuadrado.
- Los óptimos locales: cómo un mal comienzo se queda atascado y cómo K-means++ elige mejores centroides iniciales.
- Una población sintética de pacientes de Minermont con perfiles ocultos, y por qué hay que escalar antes las características.
- La elección de $K$ con el método del codo y la comparación de varios valores de $K$.
- La interpretación clínica de cada grupo, incluido un grupo de riesgo silencioso.
- Cómo las variables que incluimos deciden los grupos, y cómo asignar un paciente nuevo a un grupo.
¿Quieres modificar el código y experimentar por tu cuenta?
Abre el notebook en Google Colab
Bibliografía
- Lloyd, S. (1982). Least squares quantization in PCM. IEEE Transactions on Information Theory, 28(2), 129–137. El algoritmo que hoy conocemos como K-means. https://doi.org/10.1109/TIT.1982.1056489 🇬🇧 (en inglés)
- Arthur, D. y Vassilvitskii, S. (2007). k-means++: The advantages of careful seeding. Proceedings of the 18th Annual ACM-SIAM Symposium on Discrete Algorithms, 1027–1035. La inicialización que usa scikit-learn. https://dl.acm.org/doi/10.5555/1283383.1283494 🇬🇧 (en inglés)
- Hubert, L. y Arabie, P. (1985). Comparing partitions. Journal of Classification, 2, 193–218. El índice de Rand ajustado. https://doi.org/10.1007/BF01908075 🇬🇧 (en inglés)
- Guía de scikit-learn – K-means:
KMeans, la inercia y la inicialización. https://scikit-learn.org/stable/modules/clustering.html#k-means 🇬🇧 (en inglés)