Las trampas de K-Means: cuando los clusters que ves no existen

Le pedís a K-Means tres clusters sobre ruido puro —puntos uniformes sin ninguna estructura— y te devuelve tres clusters prolijos, con sus centroides y todo. El gráfico se ve convincente. Y es una mentira completa.

Ese es el problema de fondo de K-Means: nunca te dice que no hay grupos. Le pediste k, te da k. Lo que viene después es responsabilidad tuya.

Lo que K-Means asume sin avisar

El algoritmo es elegante en su simpleza: asigná cada punto al centroide más cercano, recalculá centroides, repetí. Pero esa receta esconde supuestos fuertes:

• Clusters esféricos y del mismo tamaño: minimiza la varianza dentro de cada grupo, así que prefiere blobs redondos. Dale dos lunas entrelazadas o un cluster alargado y los parte mal.
• Densidades parecidas: si un grupo es denso y otro disperso, el centroide del disperso se "come" puntos del denso.
• Distancia euclídea con sentido: cuando trabajás en muchas dimensiones, esa distancia deja de discriminar y los clusters se vuelven arbitrarios.

Cuando tus datos violan estos supuestos —y los datos reales casi siempre los violan— K-Means igual corre sin quejarse. Esa es la trampa.

El azar de la inicialización

Hay otra trampa, más silenciosa: K-Means converge a un mínimo local, no al óptimo global. La partición final depende de dónde caigan los centroides iniciales.

from sklearn.cluster import KMeans
# corré esto dos veces sin fijar la semilla y compará labels_:
# pueden salir agrupamientos distintos sobre los MISMOS datos
km = KMeans(n_clusters=3, n_init=10).fit(X)

Ese n_init=10 significa "probá 10 inicializaciones distintas y quedate con la mejor". Si lo dejás en 1, estás jugando a la ruleta. La variante k-means++ reparte mejor los centroides iniciales y reduce el problema, pero no lo elimina.

Cómo no caer

La defensa no es abandonar K-Means —sigue siendo rápido y útil— sino tratarlo con sano escepticismo, igual que uno no se cree un p-valor sin entender qué dice:

• ¿Hay clusters de verdad? Antes de elegir k, preguntate si existe estructura. El estadístico de Hopkins mide tendencia al agrupamiento; si tus datos parecen uniformes, ningún k te va a salvar.
• Validá el k, no lo inventes: usá codo y silueta, y entendé cuándo discrepan en vez de fijar k=3 por costumbre.
• Mirá los datos primero: un buen EDA visual revela formas que el algoritmo va a maltratar. Doce datasets con la misma estadística pueden esconder un dinosaurio; tus clusters también pueden esconder formas raras.
• Probá alternativas cuando la forma no es esférica: DBSCAN encuentra grupos de densidad arbitraria y marca ruido como ruido; el clustering jerárquico no te obliga a comprometerte con un k de entrada.
• Estandarizá las features: K-Means es sensible a la escala. Una variable en miles domina a una variable entre 0 y 1. Si no normalizás, estás clusterizando por unidades de medida.

La pregunta honesta no es "¿cuántos clusters hay?" sino "¿hay clusters?". K-Means responde la primera aunque la respuesta a la segunda sea no. Esa distinción separa un análisis serio de un gráfico bonito que no significa nada.