Machine Learning en Python

1. Con los clientes de PyShop escalados, K-Means da estas cifras: k=3 inercia 1389 y silueta 0.508; k=4 inercia 738 y silueta 0.587; k=5 inercia 646 y silueta 0.492. ¿Qué conclusión es correcta?

• k=4: la inercia deja de bajar mucho a partir de ahí y la silueta alcanza su máximo
• k=5, porque tiene la menor inercia de las tres opciones
• k=3, porque una silueta más baja indica clusters más compactos
• No se puede decidir: la inercia y la silueta siempre señalan valores de k distintos

La inercia siempre baja al aumentar k, así que no se elige su mínimo sino el codo. Aquí el codo (738 a 646 es una caída pequeña) y la silueta máxima coinciden en k=4.

2. Se agrupa a los clientes con K-Means usando visitas al mes (desviación estándar 3.2) y ticket promedio (desviación estándar 309.7), sin escalar. ¿Qué ocurre?

• Los clusters quedan definidos casi solo por el ticket, porque domina la distancia euclidiana
• Nada: K-Means normaliza las variables internamente antes de calcular distancias
• Los clusters quedan definidos casi solo por las visitas, porque tienen menos variación
• K-Means lanza un error porque las variables tienen escalas distintas

K-Means asigna por distancia euclidiana, y las diferencias de ticket, en cientos de pesos, dominan la suma. StandardScaler deja ambas variables con desviación 1.

3. PCA sobre las 7 variables escaladas de los clientes da varianza explicada acumulada 0.302, 0.582, 0.745, 0.878, 0.949, 0.992 y 1.0. ¿Cuántas componentes conserva PCA(n_components=0.95)?

• 6
• 5
• 2
• 7

Con un número entre 0 y 1, PCA toma las componentes necesarias para alcanzar esa proporción. Cinco llegan a 0.949, que no alcanza 0.95, así que hacen falta seis.

4. Las cargas de PC1 son visitas_mes 0.60, compras_12m 0.56 y edad −0.40. Una colega repite el análisis con los mismos datos en otra herramienta y obtiene −0.60, −0.56 y 0.40. ¿Qué significa?

• Es la misma componente: el signo global es arbitrario y la interpretación no cambia
• Ahora PC1 mide lo contrario: los clientes activos tienen menos visitas
• Una de las dos herramientas calculó mal las componentes
• Faltó escalar las variables en la segunda ejecución

El signo de una componente completa es arbitrario: multiplicar todas las cargas por −1 describe la misma dirección. Lo que importa es el signo relativo entre variables.

5. K-Means con k=4 sobre 4 variables escaladas logra silueta 0.587 y ARI 0.983 contra el segmento real. Sobre las 2 primeras componentes de PCA de las 7 variables logra silueta 0.577 y ARI 0.881. ¿Qué se concluye?

• Agrupar sobre 2 componentes empeora la coincidencia con los segmentos aunque la silueta casi no cambie
• PCA antes de clustering siempre mejora los grupos porque elimina ruido
• Las dos opciones son equivalentes porque sus siluetas casi coinciden
• El ARI más bajo indica que PCA no escaló las variables

Reducir a 2 componentes descarta varianza que separaba grupos: los clusters se ven compactos, pero coinciden menos con los segmentos reales. Una silueta alta no garantiza grupos correctos.