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

Ejemplo prácticopython
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

Temas relacionados

Fichas de herramientas