Clasificar un punto por sus vecinos (kNN)

El encargado no necesita saber cuántas bicis exactas saldrán mañana. Le basta una respuesta: ¿será un día lleno o tranquilo? Si es lleno, llama a una segunda persona.

Una idea sencilla sirve: busca en el pasado los días con un tiempo parecido y mira qué pasó en ellos.

k vecinos más cercanos, o kNN, no aprende ninguna fórmula. Guarda los días conocidos con su etiqueta.

Para un día nuevo, mide la distancia a cada día conocido. La distancia entre dos puntos es la raíz de la suma de las diferencias al cuadrado. Elige los k días más cercanos y deja que voten. Gana la etiqueta con más votos.

# Cinco días conocidos: temperatura, lluvia y etiqueta.
known = [[10.0, 0.0, "tranquilo"], [13.0, 1.0, "lleno"], [8.0, 6.0, "tranquilo"],
         [15.0, 0.0, "lleno"], [6.0, 2.0, "tranquilo"]]
new_day = [12.0, 0.0]

gaps = []
for row in known:
    gap = ((row[0] - new_day[0]) ** 2 + (row[1] - new_day[1]) ** 2) ** 0.5
    gaps.append([round(gap, 2), row[2]])
for one in sorted(gaps):
    print(one)
# Cuenta las etiquetas de las tres primeras líneas.
# Después cambia new_day a [9.0, 3.0] y vuelve a contar.

import pandas as pd

hires = pd.read_csv("hires.csv")
hires["label"] = "quiet"
hires.loc[hires["hires"] >= 300, "label"] = "busy"
hires["label"].value_counts()

# Un día nuevo: 15 grados y sin lluvia.
gap = ((hires["temp_c"] - 15.0) ** 2 + hires["rain_mm"] ** 2) ** 0.5
hires.assign(gap=gap.round(2)).sort_values("gap", kind="stable").head(5)

La exactitud es la parte de días de prueba en que la etiqueta acierta. Un 0,815 parece bueno, pero hay que compararlo.

La referencia más sencilla es un modelo perezoso que siempre dice la etiqueta más común. Si casi todos los días son tranquilos, decir siempre «quiet» ya acierta mucho. Un modelo vale la pena solo si mejora esa cifra.

docker exec jupyter python3 steps/knn.py

Una matriz de confusión cruza lo real con lo que dijo el modelo. En knn.py las filas son la verdad y las columnas la respuesta, en el orden busy y quiet.

La diagonal son los aciertos. Fuera de ella están los dos tipos de fallo. No cuestan lo mismo: un día lleno tomado por tranquilo deja al encargado solo con la cola.

Con k = 1, el modelo copia a un solo vecino y se deja engañar por un día raro. Con un k enorme, casi siempre gana la etiqueta más común.

knnk.py prueba seis valores de k e imprime dos exactitudes para cada uno: con los días aprendidos y con los guardados. Elige k por la segunda.

docker exec jupyter python3 steps/knnk.py

El tiempo no lo explica todo: un sábado tiene más clientes con el mismo tiempo. En tu cuaderno, añade una columna weekend con isin(["Sat", "Sun"]).astype(int).

Repite knn.py con temp_c, rain_mm y weekend, k = 5 y el mismo reparto. ¿Supera 0,815? Prueba también con StandardScaler antes de medir distancias, y explica en una frase por qué cambia.