05. Inicialização e estabilidade do K-means

Duas execuções de K-means sobre os mesmos dados podem produzir grupos diferentes porque a busca começa em centros distintos. O problema não desaparece quando o código termina sem erro: a qualidade depende da inicialização, da convergência e da estabilidade observada. Este capítulo distingue quatro elementos frequentemente confundidos — k-means++, semente, n_init e grupo vazio — e mostra como montar uma comparação que permita reproduzir o resultado sem confundir repetibilidade com robustez.

A disciplina aprofunda situações em que não existe um rótulo pronto. Distâncias, agrupamentos, redução de dimensionalidade e métricas são estudados como partes de uma única investigação. Este é o capítulo 5 de 20 da disciplina Aprendizado Não Supervisionado e Avaliação de Agrupamentos. Ele retoma K-means e função objetivo e utiliza essa base para avançar. Na sequência, estudaremos Escolha do número de grupos.

O fio condutor

Ciência de Dados começa com uma pergunta e termina com uma decisão que precisa ser compreendida, avaliada e acompanhada. Entre esses dois pontos, dados são coletados, examinados e transformados; métodos são escolhidos; resultados são validados; e limitações são comunicadas. Nenhuma etapa compensa automaticamente uma falha grave ocorrida na etapa anterior.

Neste capítulo, use Inicialização e estabilidade do K-means para acompanhar três dimensões: o problema que se deseja resolver, a evidência disponível e o critério usado para avaliar o resultado. Essa separação ajuda a evitar soluções tecnicamente sofisticadas que não respondem à necessidade real.

K-means++

Começamos por K-means++, pois essa base organiza os conceitos e exemplos que aparecerão no restante do capítulo.

K-means++ escolhe sementes dispersas probabilisticamente para melhorar a inicialização.

K-means++ escolhe o primeiro centro e favorece probabilisticamente novos centros distantes dos já escolhidos, usando distâncias quadráticas. Isso melhora o ponto de partida em relação a uma escolha aleatória ingênua em muitos problemas, mas não determina uma solução única nem assegura o ótimo global. Implementações podem adotar variantes, como seleção gulosa entre candidatos. Não confunda inicialização com o ciclo de ajuste: depois de escolher as sementes, continuam as etapas de atribuir pontos e atualizar médias. Avalie o resultado final, e não apenas o nome da estratégia.

Semente

Depois de compreender K-means++, passamos a Semente. A nova seção acrescenta outra etapa ao mesmo raciocínio e mostra como as decisões anteriores influenciam as próximas.

Semente aleatória controla a sequência pseudoaleatória de inicialização.