from sklearn.datasets import load_iris
import pandas as pd
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
iris = load_iris()
X = iris.data
kmeans = KMeans(n_clusters=3, random_state=42)
clusters = kmeans.fit_predict(X)
plt.scatter(X[:, 0], X[:, 1], c=clusters, cmap='viridis')
plt.title("Agrupamento com K-Means")
plt.xlabel("Característica 1")
plt.ylabel("Característica 2")
plt.show()
Olá, Ronaldo. Como vai?
Sua implementação do algoritmo K-Means no dataset Iris está correta e segue muito bem o fluxo do aprendizado não supervisionado. Este tipo de abordagem é fundamental quando queremos que o modelo identifique agrupamentos naturais nos dados sem a necessidade de rótulos prévios.
Para complementar sua atividade e tornar sua análise técnica ainda mais profunda, deixo algumas sugestões práticas:
kmeans.cluster_centers_), o que ajuda a visualizar o "centro" de cada categoria identificada.Veja como você poderia implementar o teste para validar a quantidade de clusters:
wcss = []
for i in range(1, 11):
kmeans_teste = KMeans(n_clusters=i, random_state=42)
kmeans_teste.fit(X)
wcss.append(kmeans_teste.inertia_)
plt.plot(range(1, 11), wcss)
plt.title('Método do Cotovelo')
plt.xlabel('Número de Clusters')
plt.ylabel('Inércia')
plt.show()
Espero que possa ter lhe ajudado!