Ajuste

app.py

@@ -5,14 +5,8 @@ from sklearn.preprocessing import StandardScaler
 from sklearn.cluster import KMeans
 import gradio as gr
 
-# Datos de entrenamiento simulados (sintéticos)
-np.random.seed(42)
-df = pd.DataFrame({
-    'frecuencia_compra': np.random.randint(1, 11, 200),
-    'monto_promedio': np.random.uniform(200, 5000, 200),
-    'edad': np.random.randint(18, 70, 200),
-    'ingreso': np.random.randint(1_000_000, 10_000_000, 200)
-})
+# Cargar el dataset real
+df = pd.read_csv('dataset_actualizado.csv')
 
 # Escalar datos
 scaler = StandardScaler()
@@ -41,8 +35,32 @@ iface = gr.Interface(
     ],
     outputs="text",
     title="Clasificación de Clientes por Segmento",
-    description="Ingresa los datos del nuevo cliente para predecir a qué segmento pertenece (modelo KMeans)"
+    description="### Descripción de los Segmentos
+
+**Segmento 0:**
+- Edad promedio: 49 años
+- Frecuencia de compra: moderada (5.4)
+- Monto promedio: bajo
+- Ingreso promedio: medio (≈ $3.3M)
+- Perfil: Usuarios de edad media-alta, compras frecuentes pero no costosas, ingresos medios.
+
+**Segmento 1:**
+- Edad promedio: 41 años
+- Frecuencia de compra: alta (8)
+- Monto promedio: medio
+- Ingreso promedio: alto (≈ $7.6M)
+- Perfil: Usuarios jóvenes, con alta frecuencia e ingresos elevados.
+
+**Segmento 2:**
+- Edad promedio: 46 años
+- Frecuencia de compra: baja (3.3)
+- Monto promedio: alto
+- Ingreso promedio: medio-alto (≈ $5.5M)
+- Perfil: Usuarios con baja frecuencia, pero compras de alto valor.
+
+👉 Esta información te permitirá entender el segmento al que pertenece un nuevo usuario según sus datos."
 )
 
 if __name__ == "__main__":
     iface.launch()
+