K-Means Clustering (Non Supervisé)

Ici, pas d'étiquettes (y). On veut juste grouper les données similaires.

Algorithme

1. On choisit K (nombre de clusters).
2. On place K points au hasard (centroïdes).
3. Chaque point de données rejoint le centroïde le plus proche.
4. On déplace les centroïdes au centre de leur nouveau groupe.
5. On répète jusqu'à ce que ça ne bouge plus.

Exemple

from sklearn.cluster import KMeans

# Données clients (Age, Revenu)
X = [[25, 30000], [30, 40000], [50, 100000], [55, 120000]]

kmeans = KMeans(n_clusters=2)
kmeans.fit(X)

print(kmeans.labels_) # [0, 0, 1, 1] -> Deux groupes identifiés

💪 À vous de jouer !

Utilisez le notebook interactif ci-dessous pour tester le code directement ici !