Spaces:
Sleeping
Sleeping
File size: 2,129 Bytes
42d0bac |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 |
import streamlit as st
import pandas as pd
import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVR
from sklearn.cluster import AgglomerativeClustering
import matplotlib.pyplot as plt
class agglomerative_clustering_st:
def __init__(self, database, test_size=0.2):
self.database = database
self.test_size = test_size
self.desc = r'''
# **Agglomerative Clustering**
Agglomerative Clustering es un tipo de algoritmo que agrupa de manera jerárquica. De esta manera lo que se hace es considerar a cada observación como un cluster y luego ir juntando aquellos que sean más similares. Esto lo repetimos hasta alcanzar un numero de clusters deseado.
**Método**
- Inicializamos todos los puntos como clusters
- Tomamos dos clusters que se encuentren cercanos y los unificáramos en un único cluster.
- Repetimos el paso anterior hasta conseguir un numero de clusters deseado.
**Criterios para medir la similitud entre clusters**
- Distancia entre los puntos **más cercanos** de dos clusters distintos.
- Distancia entre los puntos **más lejanos** de dos clusters distintos.
- Distancia entre los promedios de cada cluster.
'''
self.x_feature = 1
self.y_feature = 2
self.n_clusters = 3
def params(self):
n_targets = len(set(self.database.target))
self.n_clusters = st.slider('Numero de clusters', 1, n_targets, 1)
def solve(self):
n_features = int(self.database.data.shape[1])
self.x_feature = st.slider('Variables en eje x', 1, n_features, 1)
self.y_feature = st.slider('Variables en eje y', 1, n_features, 2)
X = self.database.data
sklearn_clus = AgglomerativeClustering(self.n_clusters, linkage='single')
pred = sklearn_clus.fit_predict(X)
fig, ax = plt.subplots(figsize=(12,8))
ax.scatter(X[:, self.x_feature-1], X[:, self.y_feature-1], c=pred)
plt.title(f'{self.n_clusters} Clusters')
return fig
|