¿cuáles son las características de un clúster?

desplazamiento de la media

El análisis de conglomerados o clustering es la tarea de agrupar un conjunto de objetos de manera que los objetos del mismo grupo (llamado cluster) sean más similares (en algún sentido) entre sí que los de otros grupos (clusters). Es una de las principales tareas del análisis exploratorio de datos, y una técnica común para el análisis estadístico de datos, utilizada en muchos campos, como el reconocimiento de patrones, el análisis de imágenes, la recuperación de información, la bioinformática, la compresión de datos, la infografía y el aprendizaje automático.

El análisis de clústeres en sí mismo no es un algoritmo específico, sino la tarea general que hay que resolver. Puede llevarse a cabo mediante varios algoritmos que difieren significativamente en su comprensión de lo que constituye un clúster y cómo encontrarlos de forma eficiente. Las nociones populares de cluster incluyen grupos con pequeñas distancias entre los miembros del cluster, áreas densas del espacio de datos, intervalos o distribuciones estadísticas particulares. Por tanto, la agrupación puede formularse como un problema de optimización multiobjetivo. El algoritmo de clustering adecuado y la configuración de los parámetros (incluyendo parámetros como la función de distancia a utilizar, un umbral de densidad o el número de clusters esperados) dependen del conjunto de datos individual y del uso que se pretenda dar a los resultados. El análisis de conglomerados como tal no es una tarea automática, sino un proceso iterativo de descubrimiento de conocimientos u optimización interactiva multiobjetivo que implica pruebas y fallos. A menudo es necesario modificar el preprocesamiento de los datos y los parámetros del modelo hasta que el resultado alcance las propiedades deseadas.

agrupación jerárquica

En el mundo digital, donde miles de millones de clientes realizan billones de visitas en un entorno de marketing multicanal, el big data ha llamado la atención de los investigadores de todo el mundo. Los clientes dejan tras de sí un enorme rastro de volúmenes de datos en los canales digitales. Se está convirtiendo en una tarea extremadamente difícil encontrar los datos adecuados, dada la explosión de los volúmenes de datos, que puedan ayudar a tomar la decisión correcta.

Esto puede ser un gran problema para las marcas. Las bases de datos tradicionales no han sido lo suficientemente eficientes para captar la enorme cantidad de información o la complejidad de los conjuntos de datos que acumulamos en la web, en las redes sociales y en otros lugares.

Una importante empresa de consultoría, por ejemplo, se jacta de que uno de sus clientes tiene 35 millones de clientes y 9 millones de visitantes únicos diarios en su sitio web, lo que deja una enorme cantidad de datos de información de los compradores cada segundo. Segmentar esta gran cantidad de datos con las herramientas adecuadas para ayudar a orientar las actividades de marketing no es fácil. Para complicar aún más las cosas, estos datos pueden ser estructurados y no estructurados, por lo que los métodos tradicionales de análisis de datos no son adecuados.

clustering en la escritura

Supongamos que nos dan una base de datos de ‘n’ objetos y el método de partición construye ‘k’ particiones de datos. Cada partición representará un clúster y k ≤ n. Significa que clasificará los datos en k grupos, que satisfacen los siguientes requisitos

Este método crea una descomposición jerárquica del conjunto dado de objetos de datos. Podemos clasificar los métodos jerárquicos sobre la base de cómo se forma la descomposición jerárquica. En este caso hay dos enfoques –

Este enfoque se conoce también como enfoque ascendente. En este, se comienza con cada objeto formando un grupo separado. Se sigue fusionando los objetos o grupos que están cerca unos de otros. Sigue haciéndolo hasta que todos los grupos se fusionan en uno solo o hasta que se cumple la condición de terminación.

Este enfoque también se conoce como enfoque descendente. En él, se comienza con todos los objetos de un mismo cluster. En la iteración continua, un cluster se divide en clusters más pequeños. Se baja hasta que cada objeto de un cluster o la condición de terminación se cumple. Este método es rígido, es decir, una vez que se ha realizado una fusión o división, no se puede deshacer.

ejemplo de clustering

ResumenCon la creciente importancia de la investigación sobre la agrupación de series temporales, en particular para la búsqueda de similitudes entre series temporales largas como las que surgen en medicina o finanzas, es fundamental que encontremos una forma de resolver los problemas pendientes que hacen que la mayoría de los métodos de agrupación sean poco prácticos en determinadas circunstancias. Cuando las series temporales son muy largas, algunos algoritmos de clustering pueden fallar porque la propia notación de similitud es dudosa en un espacio de alta dimensión; muchos métodos no pueden manejar los datos perdidos cuando el clustering se basa en una métrica de distancia.Este trabajo propone un método de clustering de series temporales basado en su

Data Min Knowl Disc 13, 335-364 (2006). https://doi.org/10.1007/s10618-005-0039-xDownload citationShare this articleAnyone you share the following link with will be able to read this content:Get shareable linkSorry, a shareable link is not currently available for this article.Copy to clipboard