Aprendizaje No Supervisado

Aprendizaje No Supervisado

1. Conceptos Básicos

   • Clustering: organizar los datos en clusters
     • Sus miembros son similares
   • Un punto de datos puede ser visto como un punto en un espacio r-dimensional
     • R es el número de atributos del dato
   • Clustering: encontrar el agrupamiento intrínseco de los datos
     • Un algoritmo y una función de distancia

2. K-Means

   • Un conjunto de Datos y el número de Ks requeridos
     • Particiona iterativamente los datos
   • Fortalezas
     • Simplicidad y Efciencia
     • O(tkn) ~ Lineal
   • Debilidades
     • Aplicable solo en conjuntos donde la Media está definido
     • El usuario necesita especificar el n° de clusters de antemano
     • Sensible a Outliers
     • Sensible a los centroides iniciales
     • No adecuado para clusters que no son hiper-elipsoides (o hiper-esferas)
     • Comparar algoritmos de clustering es complicado

3. Clustering Jerárquico

   • Construye el dendograma desde la base
     • Reúne los puntos más similares o cercanos en un nivel superior
   • Distancia entre 2 clusters
     • Single-Link
       • La distancia entre los puntos más cercanos
     • Complete-Link
       • La distancia es la más pequeña de las distancias más grandes de los puntos de los clusters
     • Avg-Link
     • Otros
       • Método Centroides
       • Método Ward
         • La distancia es el incremento de la SSE al juntar los nodos
   • Fortalezas
     • Puede tomar cualquier función de distancia o similaridad
     • A diferencia de K-Means que da los clusters solo al final
       • Permite explorar clusters a cualquier nivel de detalle
     • El aglomerativo suele generar mejores clusters
   • Debilidades
     • Single-Link: efecto cadena
     • Complete-Link: sensitivo a outliers
     • Complejidad Computacional y Requerimientos de espacio
       • No práctico para grandes conjuntos