# machine-learning-clasico-con-python
Machine Learning con scikit-learn y XGBoost
Volver a la portada del cursoJohn Snow y el brote de cólera de Broad Street
Sección 4 · Aprendizaje no supervisado
Transcripción
A finales de agosto de 1854, en el barrio del Soho, en Londres, empezó lo que el médico John Snow describiría como el brote de cólera más terrible que había ocurrido en el reino. Según su propio relato, a menos de doscientas cincuenta yardas, unos doscientos treinta metros, de la esquina donde Cambridge Street se une con Broad Street, hubo más de quinientos ataques mortales de cólera en diez días. En menos de seis días, más de tres cuartas partes de los habitantes de las calles más afectadas habían huido.
Para entender por qué esta historia importa, hay que saber qué se creía entonces. La explicación dominante era la teoría de los miasmas: el cólera se transmitía por el aire, por vapores malolientes que salían de la basura y de la materia en descomposición. Si era así, la enfermedad debía repartirse por donde el aire estuviera viciado. Snow sospechaba otra cosa. Pensaba que el cólera se transmitía por el agua contaminada.
Cuando empezó el brote, Snow sospechó de la bomba de agua de Broad Street, una de las más usadas del barrio. Consiguió la lista de muertes y fue casa por casa. Y encontró un patrón: casi todas las muertes habían ocurrido cerca de esa bomba. Luego hizo algo que hoy parece obvio, pero entonces no lo era: marcó cada muerte en un mapa, en la casa donde había ocurrido. Los puntos se apilaban alrededor de la bomba de Broad Street.
Lo más interesante de su análisis no son los puntos que confirmaban la idea, sino los que parecían contradecirla. Hubo cinco personas que murieron más cerca de otra bomba. Snow investigó y descubrió que siempre iban a buscar agua a la de Broad Street. Y había un asilo de pobres en Poland Street, rodeado por tres lados de casas con muertos por cólera. De quinientos treinta y cinco internos, solo cinco murieron. El asilo tenía su propio pozo y nunca mandaba por agua a Broad Street. Y estaba la cervecería del barrio, con unos setenta trabajadores. Su dueño le explicó a Snow que los obreros recibían una ración diaria de bebida de malta y que, hasta donde sabía, nunca sacaban agua de la bomba de la calle. Solo dos se enfermaron, y no de gravedad.
El 7 de septiembre por la noche, Snow presentó sus datos a las autoridades de la parroquia de Saint James. Al día siguiente retiraron la manija de la bomba. Y aquí Snow fue honesto: él mismo anotó que los casos nuevos ya venían bajando antes de quitar la manija, porque mucha gente había huido. No se podía atribuir el final del brote solo a esa decisión. Su argumento no descansaba en ese momento dramático, sino en el patrón completo de los datos.
En una versión posterior del mapa, Snow trazó una línea punteada con los puntos que estaban a la misma distancia, caminando por las calles, de la bomba de Broad Street y de las bombas vecinas. Dentro de esa frontera se concentraban las muertes. Fuera de ella, donde a la gente le quedaba más cerca otra bomba, los casos bajaban o desaparecían.
Ahora conectemos esto con el módulo. Una aclaración importante: Snow no usó ningún algoritmo. No había K-Means en 1854. El paralelo está en la idea. Snow tenía datos sin etiqueta: direcciones de personas que murieron, sin ninguna columna que dijera de qué bomba bebían. Al ubicarlas en el espacio, aparecieron grupos. Y la forma de esos grupos, apretados alrededor de un punto, sugirió una explicación.
Eso es lo que haces con el aprendizaje no supervisado. En PyRitmo, tomas los rasgos de audio de cada canción, como la energía, la bailabilidad y la acústica, y le pides a K-Means que encuentre grupos. El algoritmo no sabe nada de estilos musicales. Solo agrupa por cercanía. Después, al revisar los centroides en las unidades originales, tú interpretas qué tiene en común cada grupo. Igual que Snow con su mapa, el algoritmo encuentra la estructura, pero la explicación la construyes tú.
Y la lección de los casos raros también aplica. Snow no ignoró a las cinco personas que vivían cerca de otra bomba ni al asilo sin muertos; los investigó, y fortalecieron su argumento. En clustering pasa lo mismo: los puntos que no encajan, los que DBSCAN marca como ruido o los que quedan lejos de su centroide, muchas veces son los que más te enseñan sobre tus datos.
La idea con la que conviene quedarse es esta: agrupar datos por cercanía puede revelar un patrón que nadie había etiquetado. Pero un grupo no es una explicación por sí solo. Hay que mirar de cerca los casos que no encajan y preguntar qué tienen en común los que sí.