Clustering
Agrupar datos similares entre sí sin conocer de antemano las categorías correctas.
ÁreaAprendizaje No Supervisado
DificultadIntermedio
Tiempo de aprendizaje2-3 semanas
¿Qué puedes lograr dominando este tema?
- Descubrir segmentos naturales en los datos sin etiquetas previas
- Elegir el número de grupos adecuado con criterios cuantitativos
- Interpretar y nombrar los clusters resultantes en términos de negocio
Descripción
El clustering agrupa observaciones similares entre sí sin usar etiquetas previas, revelando estructura oculta en los datos: segmentos de clientes, tipos de comportamiento, grupos de productos. Algoritmos como K-Means, DBSCAN y clustering jerárquico abordan el problema con supuestos distintos sobre la forma de los grupos.
Casos de uso
- Segmentación de clientes para marketing dirigido
- Agrupación de productos o contenido similar
- Detección de comunidades en redes sociales
- Compresión y organización exploratoria de datos no etiquetados
Ejemplo práctico
from sklearn.cluster import KMeans
modelo = KMeans(n_clusters=4, random_state=42)
etiquetas = modelo.fit_predict(X)
print(pd.Series(etiquetas).value_counts())Ventajas y limitaciones
Ventajas
- No requiere datos etiquetados, útil cuando etiquetar es costoso
- Revela estructura que un analista humano podría no anticipar
- K-Means es simple, rápido y escala bien a datasets grandes
Limitaciones
- Elegir el número de clusters correcto no siempre es obvio
- K-Means asume clusters esféricos y de tamaño similar, lo cual no siempre es realista
Herramientas relacionadas
Librerías y plataformas más comunes para practicar este tema.
- scikit-learn
- SciPy
- R