Capítulo 3
Aplicación del aprendizaje no supervisado
Cuándo utilizar aprendizaje no supervisado
El aprendizaje no supervisado resulta útil si desea explorar los datos pero aún no tiene un objetivo específico o no sabe a ciencia cierta qué información contienen los datos. También es un buen modo de reducir las dimensiones de los datos.
La mayoría de las técnicas de aprendizaje no supervisado son básicamente una forma de análisis de clusters, como vimos en el capítulo 1.
En el análisis de clusters, los datos se dividen en grupos según un grado de confianza o pertenencia. Los clusters se forman de modo que los objetos en un mismo cluster tienen características muy similares, y los objetos en diferentes clusters tienen características totalmente distintas.
Los algoritmos de agrupación en clusters se dividen en dos grupos principales:
- Agrupación en clusters dura, donde cada punto de datos pertenece a un solo cluster.
- Agrupación en clusters blanda, donde cada punto de datos puede pertenecer a más de un cluster. Puede utilizar técnicas de agrupación dura o blanda si ya conoce las posibles agrupaciones de datos.
Modelo de mezcla gaussiana utilizado para separar datos en dos clusters.
Si no sabe cómo podrían agruparse los datos:
- Utilice mapas de características autoorganizados o agrupación jerárquica para encontrar posibles estructuras en los datos.
- Utilice evaluación de clusters para hallar el “mejor” número de grupos para un determinado algoritmo de agrupación en clusters.
Algoritmos de agrupación dura comunes
K-means
CÓMO FUNCIONA
Divide los datos en un número k de clusters mutuamente excluyentes. La distancia desde ese punto hasta el centro del cluster determina cúan bien encaja un punto en un cluster.USO RECOMENDADO
- Cuando se conoce el número de clusters
- Para agrupar rápidamente grandes conjuntos de datos en clusters
RESULTADO
Centros de clusters
K-medoids
CÓMO FUNCIONA
Similar a K-means, pero con el requisito de que los centros de clusters deben coincidir con puntos de datos.USO RECOMENDADO
- Cuando se conoce el número de clusters
- Para agrupar rápidamente datos categóricos en clusters
- Para escalar a grandes conjuntos de datos
RESULTADO
Centros de clusters que coinciden con puntos de datos
Agrupación jerárquica
CÓMO FUNCIONA
Produce conjuntos anidados de clusters mediante el análisis de similitudes entre pares de puntos y la clasificación de objetos en un árbol jerárquico binario.USO RECOMENDADO
- Cuando no se sabe de antemano cuántos clusters hay en los datos
- Cuando se desea que la visualización guíe la selección
RESULTADO
Dendrograma que muestra la relación jerárquica entre clusters
Mapa autoorganizado
CÓMO FUNCIONA
Agrupación en cluster basada en red neuronal que transforma un conjunto de datos en un mapa en 2D que conserva la topología.USO RECOMENDADO
- Para visualizar datos de alta dimensionalidad en 2D o 3D
- Para deducir la dimensionalidad de datos conservando su topología (formato)
RESULTADO
Representación de menor dimensionalidad (típicamente en 2D)
Algoritmos de agrupación blanda comunes
Fuzzy C-means
CÓMO FUNCIONA
Agrupación en cluster basada en particiones cuando los puntos de datos pueden pertenecer a más de un cluster.USO RECOMENDADO
- Cuando se conoce el número de clusters
- Para reconocimiento de patrones
- Cuando los clusters se superponen
RESULTADO
Centros de clusters (similar a K-means), pero con difusión para que los puntos pueden pertenecer a más de un cluster
Modelo de mezcla gaussiana
CÓMO FUNCIONA
Agrupación en cluster basada en particiones donde los puntos de datos provienen de diferentes distribuciones normales multivariantes con ciertas probabilidades.USO RECOMENDADO
- Cuando un punto de datos podría pertenecer a más de un cluster
- Cuando los clusters tienen diferentes tamaños y estructuras de correlación internas
RESULTADO
Modelo de distribuciones gaussianas que proporciona probabilidades de que un punto esté en un cluster
