K-Means

K-Means

1. ¿Que es?

   • La agrupación K Means es un tipo de Aprendizaje no Supervisado, que se utiliza cuando se tienen datos no etiquetados, es decir, datos sin categorías o grupos definidos. El objetivo de este algoritmo es encontrar grupos en los datos, con el número de grupos representados por la variable K.

2. Clustering

   • Esta técnica no supervisada se basa en identificar grupos en los datos de tal manera que todos los datos del grupo (clúster) son datos con características similares mientras que los datos de los otros grupos son diferentes.

3. Valor K

   • El algoritmo K Means encuentra los clústeres y las etiquetas de conjuntos de datos para un K en particular preseleccionado. Para encontrar el número de clústeres en los datos, el usuario necesita ejecutar el algoritmo de clústeres K Means para un rango de valores K y comparar los resultados. En general, no existe un método para determinar el valor exacto de K.
     • Una de las métricas que se utiliza comúnmente para comparar los resultados a través de diferentes valores de K es la distancia media entre los puntos de datos y el centroide de su clúster.

4. Inicializar K y centroides

   • Como punto de partida, le debes decir al modelo cuántos clústeres debería hacer. Primero el modelo toma K puntos de partida del conjunto de datos. Estos puntos de datos se denominan centroides de clustering.

5. Asignación de clústeres a los puntos de datos

   • A partir de aquí en adelante el modelo realiza sus propios cálculos y asigna un clúster a cada punto de datos. Su modelo calculará la distancia entre el punto de datos y todos los centroides, y será asignado al clúster con el centroide más cercano. Una vez más, hay diferentes maneras de calcular esta distancia, todas tienen sus ventajas y desventajas.

6. Actualización de los centroides

   • Debido a que los centroides iniciales fueron elegidos arbitrariamente, el modelo los puede actualizar con nuevos valores de clúster. El nuevo valor podría o no aparecer en el set de datos, de hecho, sería una coincidencia si lo hiciera. Esto se debe a que el centroide del clúster actualizado es el promedio o el valor medio de todos los puntos de datos dentro de ese clúster.

7. Criterio de parada

   • Dado que los pasos 2 y 3 se realizan de forma iterativa, sería eterno si no establecemos un criterio de parada. El criterio de parada indica a nuestro algoritmo cuándo dejar de actualizar los clústeres. Es importante notar que establecer un criterio de parada no necesariamente devolvería los mejores clústeres, pero para asegurarnos de que devuelve clústeres razonablemente buenos, y lo que es más importante, al menos devolver algunos clústeres necesitamos tener un criterio de parada.

8. Centroides

   • Cada centroide de un clúster es un conjunto de valores de características que definen los grupos resultantes.
     • Nombre: Juan Antonio Ruiz Rodriguez Matricula: 1825460

9. Evaluación de la calidad del clúster

   • Inercia
     • Dice cuán lejos están los puntos dentro de un clúster. Por lo tanto, se busca una pequeña inercia. El rango del valor de inercia comienza desde cero y sube.
   • Punto de la silueta
     • Indica la distancia entre los puntos de datos de un clúster y los puntos de datos de otro clúster. El rango de puntuación de la silueta es de -1 a 1. La puntuación debe estar más cerca de 1 que de -1.