Practica#4Final K-means

Universidad Aútonoma De Nuevo León

Facultad de Ingeniería Mecánica y Eléctrica

Laboratorio de Programación de Sistemas Adaptativos

Dra. Sara Elena Garza

Practica #4

Jorge Alberto Sanchez Villanueva                   1607211

Carlos Orlando Ramírez Rodriguéz                   1460809

Daniel Alejandro Reyna Barrón                         1414127

Oscar Daniel Arreguín Puente                           1019950

Alfredo Yovany Ángeles Dominguez                1612260

Salón: 4-200

Hora: M5-M6

INTRODUCCION

Un agrupamiento es un conjunto de grupos.

 La diferencia entre agrupamiento y grupos, es  que  se  puede restringir  el  acceso  a un recurso o actividad únicamente a los miembros de una agrupación.

De este modo   será posible diseñar acciones, interacciones, resultados o procesos personalizados.

Los agrupamientos generados tienen por objeto encontrar características semejantes en cada agrupación. 

Fig1.Ejemplo claro de lo que son agrupamientos que basados en una característica

(En este caso las letras) se forman diferentes grupos con las mismas características.

MARCO TEORICO

Existen diferentes tipos de agrupamiento según las características de sus elementos.

A) Traslape: consiste en tener ciertas características en sus componentes.

B) Jerárquico: se inicia con un solo grupo que incluye todas las características y dentro de él se hacen divisiones para generar nuevos

C) Difuso: consiste en que un patrón puede tener niveles de pertenencia a los distintos subgrupos

Hablando sobre el algoritmo que se utiliza en estos casos que es el K-means nos dice que es uno de los algoritmos de agrupamiento particionales más conocido y utilizado. Este algoritmo realiza la asignación de elementos, dentro de k clúster definidos a priori, basándose en el criterio de la mínima distancia respecto del centroide de cada grupo, de tal manera que cada uno de los clúster queda representado por la media (o media ponderada) de sus puntos, es decir, por su centroide. K-means tiene una complejidad de O (nkl), donde n es el número de elementos, k es el número de clústers y l es el número total de iteraciones necesarias para alcanzar la convergencia.

Una explicación de este método seria por medio de este diagrama de flujo:

Fig2.Diagrama de flujo del algoritmo K-means

DESARROLLO

Nuestro programa  agrupar series de televisión por sus características

Series
	Comedia	Acción	Romance
El príncipe de Bel Air	90	10	0
The Big Bang Tehory	80	20	0
Malcom	60	40	0

Aquí se muestra los vectores que utilizamos para agrupar los grupos de series.

Los vectores que vamos a agrupar y las características que elegimos están expresadas en la  tabla por simbología binaria.

1= Cuenta con esta característica

0= No cuenta con esta característica

import random

import math

def principal():

    matriz=[]

    for i in range(3):

        matriz.append(valpunt())

    print("\n")

    print(matriz)

    for j in range(len(matriz)):

        s=0

        for k in range(len(matriz)):

            s+=matriz[k][j]

            c=s/3

        print("El Centroide de: ",j," es: ",c)

def valpunt():

    arr=[]

    comedia=random.randrange(100)

    accion=random.randrange(100)

    romance=random.randrange(100)

    arr.append(distancia(comedia))

    arr.append(distancia(accion))

    arr.append(distancia(romance))

    print(comedia,accion,romance)

    print(arr)

    return arr

def distancia(val):

    print("\n")

    seriea=lambda x: math.sqrt((x-100)**2)

    serieb=lambda x: math.sqrt((x-0)**2)

    seriec=lambda x: math.sqrt((x-0)**2)

    print(seriea(val),serieb(val),seriec(val))

   

    seriea2=lambda x: math.sqrt((x-0)**2)

    serieb2=lambda x: math.sqrt((x-100)**2)

    seriec2=lambda x: math.sqrt((x-0)**2)

    print(seriea2(val),serieb2(val),seriec2(val))

   

    seriea=lambda x: math.sqrt((x-0)**2)

    serieb=lambda x: math.sqrt((x-0)**2)

    seriec=lambda x: math.sqrt((x-100)**2)

    print(seriea(val),serieb(val),seriec(val))

    print(seriea(val)+serieb(val)+seriec(val))

    dis=(seriea(val)+serieb(val)+seriec(val))

    return dis

   

principal()

Parámetros. Reporta:        

El valor para k (cantidad de centroides/grupos) el valor de k es igual a 3 debido a que pensamos que eran los centroides necesarios para estos datos.      

 El criterio de terminación (cuándo se detiene tu algoritmo).- se detiene al momento de imprimir los resultados de los distintos grupos con sus respectivos centroides.  

        

Cuántas  corridas  realizaste  (cuántas  veces  ejecutaste  el  algoritmo  de agrupamiento).- alrededor de 5 veces con distintos datos para probar si era aceptable el programa o que hacia lo que debía.

Resultados:

Ingresando datos:

23.0 77.0 77.0

77.0 23.0 77.0

77.0 77.0 23.0

177.0

15.0 85.0 85.0

85.0 15.0 85.0

85.0 85.0 15.0

185.0

11.0 89.0 89.0

89.0 11.0 89.0

89.0 89.0 11.0

189.0

77 85 89

[177.0, 185.0, 189.0]

45.0 55.0 55.0

55.0 45.0 55.0

55.0 55.0 45.0

155.0

33.0 67.0 67.0

67.0 33.0 67.0

67.0 67.0 33.0

167.0

53.0 47.0 47.0

47.0 53.0 47.0

47.0 47.0 53.0

147.0

55 67 47

[155.0, 167.0, 147.0]

81.0 19.0 19.0

19.0 81.0 19.0

19.0 19.0 81.0

119.0

75.0 25.0 25.0

25.0 75.0 25.0

25.0 25.0 75.0

125.0

19.0 81.0 81.0

81.0 19.0 81.0

81.0 81.0 19.0

181.0

19 25 81

[119.0, 125.0, 181.0]

[[177.0, 185.0, 189.0], [155.0, 167.0, 147.0], [119.0, 125.0, 181.0]]

El Centroide de:  0  es:  150.33333333333334

El Centroide de:  1  es:  159.0

El Centroide de:  2  es:  172.33333333333334

>>> 

En ejecución

Grupos encontrados

Conclusiones:

Este programa nos ha ayudado a comprender el uso de programas para ayudarnos a crear grupos semejante , lo cual nos ayuda en una página de películas, una tienda de música, agrupar grupos de alumnos, etc., Por lo cual el aprender a usar estos métodos se ha vuelto de vital importancia, por lo que en esta práctica nos sirvió de gran ayuda en el aprendizaje más amplio de este método de agrupamiento, así como el hecho de poder entender esta clase de problemas, para que en un futuro podamos resolverlos de una manera más óptima y sencilla.