Ejercicio 01 · ¿Hay grupos dentro de los tintos? — Machine Learning

Objetivo. Repetir el flujo completo de 02-clustering-aplicado.ipynb sobre un subconjunto que el notebook no analizó —los 1359 vinos tintos— y llegar a una conclusión defendible sobre si tienen estructura de grupos, cuál es, y si dice algo de la calidad. Los blancos tenían un segundo nivel claro (dulces/secos); los tintos no tienen por qué.

Contexto

../datos/wine-quality.csv, sin duplicados, solo tipo == "tinto". Las 11 variables fisicoquímicas son la entrada; quality queda apartada para validar al final.

from sklearn.cluster import KMeans, DBSCAN, AgglomerativeClustering
from sklearn.metrics import silhouette_score, davies_bouldin_score, adjusted_rand_score
from sklearn.preprocessing import StandardScaler

Semilla 42 en todo. Entrega un notebook ej01-<tu-apellido>.ipynb que corra de principio a fin.

Parte A — Preparación (10 min)

A.1 Carga, quita duplicados, filtra los tintos. Reporta cuántos son y qué fracción tiene quality ≥ 7.

A.2 Ejecuta K-Means con $k = 3$ sin estandarizar y calcula la media de total_sulfur_dioxide en cada grupo. ¿Qué encontró K-Means? Estandariza y sigue con X_esc en el resto del ejercicio.

Parte B — ¿Cuántos grupos, y hay grupos? (20 min)

B.1 Para $k = 2, \dots, 8$ (K-Means++, n_init=10): inercia, silueta media e índice de Davies-Bouldin. Grafica las tres curvas. ¿Coinciden en un $k$ ?

B.2 Construye la referencia nula permutando cada columna de X_esc de forma independiente, y calcula la silueta de K-Means sobre ella para los mismos $k$ . Añádela a la gráfica de la silueta. ¿La estructura de los tintos se separa de la referencia? ¿Cómo la clasificarías en la escala de Kaufman y Rousseeuw?

B.3 Compara con los blancos (02-clustering-aplicado.ipynb, sección 4: silueta 0.21 en $k=2$ frente a 0.08 de la referencia). ¿Los tintos tienen más o menos estructura que los blancos?

Parte C — Interpretar (20 min)

C.1 Con $k = 2$ , calcula el perfil de cada grupo en unidades originales (media por variable) y el cociente entre grupos. Describe cada grupo en una frase, en términos de vino, no de números.

C.2 Repite con $k = 3$ . ¿El tercer grupo es una subdivisión de uno de los dos anteriores o una estructura nueva? Usa pd.crosstab entre las dos particiones.

C.3 Para $k = 2$ y $k = 3$ : calidad media y fracción de vinos buenos por grupo, e información mutua normalizada (NMI) con quality. ¿Los grupos dicen algo de la calidad? Compara con lo que encontró el notebook 02 sobre el conjunto completo (NMI $\leq 0.07$ ).

Parte D — Estabilidad y otro algoritmo (15 min)

D.1 Estabilidad por submuestreo (función estabilidad del notebook 02, sección 7) para $k = 2, \dots, 6$ . ¿Qué $k$ son estables? Compara con los valores del conjunto completo (ARI $> 0.97$ para $k \leq 4$ ).

D.2 Clustering jerárquico con Ward y con average, $k = 2$ . Tamaños de los grupos y ARI contra la partición de K-Means. En el conjunto completo Ward coincidía con K-Means (ARI 0.90). ¿Aquí? ¿Qué te dice sobre la forma de la estructura?

Parte E — Anomalías (10 min)

E.1 Gráfico de k-distancias con min_samples=10 y barrido de eps en $\{1.5, 2, 2.5, 3\}$ : número de grupos y % de ruido.

E.2 Con eps = 2: cuántos tintos son ruido, mediana del $|z|$ máximo por vino en el ruido y en el resto, y en cuántas de las 11 variables el máximo global cae entre los vinos-ruido. ¿Los tintos anómalos son mejores o peores que el resto?

E.3 (opcional 🔵) Isolation Forest con la misma fracción de contaminación: cuántos coinciden con DBSCAN (índice de Jaccard).

Entrega

Además del notebook, un párrafo final (5–8 líneas) que responda: ¿hay grupos dentro de los tintos? ¿Qué son? ¿Se lo recomendarías a alguien que quiera predecir la calidad?