🧩 Proyecto Integrador: Segmentación y Visualización de Datos Multifuente

Odisea Algorítmica · Módulo Unificado — Regresión, clustering y reducción de dimensionalidad en un flujo completo.

1. Preprocesamiento y estandarización

Antes de cualquier modelo, los datos multifuente deben limpiarse y unificarse. Trabajamos con un dataset simulado de 600 clientes con variables como edad, ingreso anual, frecuencia de compra, ticket promedio y una variable categórica (zona geográfica).

• Imputación de valores nulos (mediana para numéricas, moda para categóricas).
• Codificación one-hot de zona geográfica (4 categorías).
• Estandarización (Z-score): media 0, desviación 1. Imprescindible para PCA y distancia euclidiana.

# Pseudocódigo representativo
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X_numeric)

2. Reducción con PCA y visualización 2D

Aplicamos PCA sobre los datos estandarizados para proyectarlos a dos dimensiones. Retenemos ~70% de varianza explicada.

El gráfico de dispersión muestra una estructura de dos o tres aglomeraciones principales. Los vectores de contribución de las variables originales permiten interpretar los ejes: el primero asociado a ingreso y ticket promedio, el segundo a frecuencia y edad.

3. Clustering: K-Means, Jerárquico y DBSCAN

Ejecutamos los tres algoritmos tanto sobre los datos originales estandarizados como sobre la reducción PCA (2D). Evaluamos consistencia.

3.1 K-Means

Optamos por k=4 (codo + silhouette). Converge rápido. Asignación nítida en el espacio PCA.

from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters=4, random_state=42)
labels_kmeans = kmeans.fit_predict(X_scaled)

3.2 Clustering Jerárquico (Ward)

Dendrograma sugiere 3 o 4 clusters. Cortamos a 4 para comparar. La estructura jerárquica revela subgrupos dentro de los segmentos grandes.

from scipy.cluster.hierarchy import linkage, fcluster
Z = linkage(X_scaled, method='ward')
labels_hier = fcluster(Z, t=4, criterion='maxclust')

3.3 DBSCAN

Con eps=0.6 y min_samples=12 detecta 5 clusters, incluyendo un grupo de ruido (≈8% de puntos). Revela outliers difíciles de ver con los otros métodos.

from sklearn.cluster import DBSCAN
db = DBSCAN(eps=0.6, min_samples=12)
labels_db = db.fit_predict(X_scaled)

Los valores silhouette son cercanos, con ligera ventaja para PCA debido a la reducción de ruido.

4. Evaluación con Silhouette Score

Para cada asignación, calculamos el coeficiente de silueta. El promedio general (0.41) indica que los clusters son moderadamente densos y separados. Visualizamos los gráficos de silueta para identificar clusters débiles: el cluster 2 de K-Means muestra anchos variables, sugiriendo que podría subdividirse.

• K-Means: siluetas balanceadas, excepto cluster 2 (0.32).
• Jerárquico: cluster 3 más cohesivo (0.46).
• DBSCAN: clusters pequeños con alta cohesión, pero ruido penaliza el promedio.

5. Visualización avanzada con t-SNE

Aplicamos t-SNE (perplexity=30) sobre los datos originales para obtener una proyección no lineal. La separación de grupos es más clara, aunque las distancias globales no se conservan. Coloreamos según las etiquetas de K-Means: se observan 4 nubes bien diferenciadas, validando la estructura.

from sklearn.manifold import TSNE
tsne = TSNE(n_components=2, perplexity=30, random_state=42)
X_tsne = tsne.fit_transform(X_scaled)

Comparado con PCA, t-SNE revela un grupo pequeño (cluster 0) con alta densidad y dos grupos alargados. Esta inspección permite ajustar la interpretación de los segmentos.

6. Interpretación final: insights, limitaciones y sesgos

Síntesis del flujo integrador

Proyecto simulado con fines didácticos. Los datos y resultados representan un caso controlado para practicar el pipeline completo de segmentación y visualización multifuente. Para implementación productiva, considerar validación cruzada y muestreo estratificado.