La agrupación es la agrupación de un conjunto particular de objetos en función de sus características, agregándolos de acuerdo con sus similitudes. Con respecto a la minería de datos, esta metodología divide los datos implementando un algoritmo de unión específico, el más adecuado para el análisis de información deseado.
Este análisis de agrupamiento permite que un objeto no forme parte de un clúster, ni pertenezca estrictamente a él, llamando a este tipo de partición dura de agrupamiento. Por otro lado, la partición suave indica que cada objeto pertenece a un grupo en un grado determinado. Se pueden crear divisiones más específicas para crear objetos similares que pertenezcan a múltiples grupos, para forzar a un objeto a participar en un solo grupo o incluso construir árboles jerárquicos en las relaciones grupales.
- ¿Cómo detectamos el sobreajuste y la falta de ajuste en Machine Learning?
- ¿Cómo podría usarse el aprendizaje automático para ayudar a las personas enfermas en los países del tercer mundo?
- Mientras entrena una red profunda, una vez que la precisión del entrenamiento alcanza el 100%, ¿hay algún punto en entrenar la red durante más épocas?
- Si estuviéramos usando un SVM no lineal, ¿cuáles son los hiperparámetros? ¿Cómo elegiríamos los hiperparámetros correspondientes? (funciones de referencia utilizadas)
- ¿Qué conocimiento previo es necesario para el aprendizaje automático?
Hay varias formas diferentes de implementar esta partición, basadas en modelos distintos. Se aplican algoritmos distintos a cada modelo, diferenciando sus propiedades y resultados. Estos modelos se distinguen por su organización y tipo de relación entre ellos. Los más importantes son:
1. Centralizado: cada grupo está representado por una sola media vectorial, y un valor de objeto se compara con estos valores medios
2. Distribuido: el clúster se crea utilizando distribuciones estadísticas
3. Conectividad: la conectividad en estos modelos se basa en una función de distancia entre elementos
4. Grupo: los algoritmos solo tienen información de grupo
5. Gráfico: la organización del clúster y la relación entre los miembros se define mediante una estructura gráfica vinculada
6. Densidad: los miembros del grupo se agrupan por regiones donde las observaciones son densas y similares.
Algoritmos de agrupamiento en minería de datos
Según los modelos de clúster descritos recientemente, hay muchos clústeres que se pueden aplicar a un conjunto de datos para dividir la información. En este artículo describiremos brevemente los más importantes. Es importante mencionar que cada método tiene sus ventajas y desventajas. La elección del algoritmo siempre dependerá de las características del conjunto de datos y de lo que queramos hacer con él.
Basado en centroide
En este tipo de método de agrupación del sistema operativo, cada grupo está referenciado por un vector de valores. Cada objeto es parte del clúster cuya diferencia de valor es mínima, en comparación con otros clústeres. El número de clústeres debe estar predefinido, y este es el mayor problema de este tipo de algoritmos. Esta metodología es la más cercana al tema de clasificación y se usa ampliamente para problemas de optimización.
Basado en distribuido
En relación con los modelos estadísticos predefinidos, la metodología distribuida combina objetos cuyos valores pertenecen a la misma distribución. Debido a su naturaleza aleatoria de generación de valor, este proceso necesita un modelo bien definido y complejo para interactuar de una manera diferente con datos reales. Sin embargo, estos procesos pueden lograr una solución óptima y calcular correlaciones y dependencias.
Basado en la conectividad
En este tipo de algoritmo, cada objeto está relacionado con sus vecinos, dependiendo del grado de esa relación en la distancia entre ellos. Según esta suposición, los grupos se crean con objetos cercanos y se pueden describir como un límite de distancia máxima. Con esta relación entre los miembros, estos grupos tienen representaciones jerárquicas. La función de distancia varía en el foco del análisis.
Basado en la densidad
Estos algoritmos crean grupos de acuerdo con la alta densidad de miembros de un conjunto de datos, en una ubicación determinada. Agrega alguna noción de distancia a un nivel estándar de densidad para agrupar a los miembros en grupos. Este tipo de procesos puede tener menos rendimiento al detectar las áreas límite del grupo.
Aplicaciones principales de análisis de clúster
Dado que esta es una técnica de análisis de datos muy valiosa, tiene varias aplicaciones diferentes en el mundo de las ciencias. Cada conjunto de datos de gran tamaño puede procesarse mediante este tipo de análisis, produciendo excelentes resultados con muchos tipos distintos de datos.
Una de las aplicaciones más importantes está relacionada con el procesamiento de imágenes. detectar distintos tipos de patrones en datos de imágenes. Esto puede ser muy efectivo en la investigación de biología, distinguiendo objetos e identificando patrones. Otro uso es la clasificación de los exámenes médicos.
Los datos personales combinados con compras, ubicación, intereses, acciones y un número infinito de indicadores, pueden analizarse con esta metodología, proporcionando información y tendencias muy importantes. Ejemplos de esto son la investigación de mercado, estrategias de marketing, análisis web y muchos otros.
Otros tipos de aplicaciones basadas en algoritmos de agrupamiento son climatología, robótica, sistemas de recomendación, análisis matemático y estadístico, que proporcionan un amplio espectro de utilización.