Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Clustering Jerarquico

1,250 views

Published on

Published in: Education
  • Be the first to comment

  • Be the first to like this

Clustering Jerarquico

  1. 1. GRUPO N. 3  Correa Roddy  Hidalgo Michell  Pacheco Liliana  Samaniego César INTELIGENCIA ARTIFICIAL AVANZADA
  2. 2. Clustering Jerárquico – ¿Qué es? Es un método de análisis de grupos el cual busca construir una jerarquía de grupos. En los métodos jerárquicos los individuos no se particionan en clusters de una sola vez, sino que se van haciendo particiones sucesivas a " distintos niveles de agregación o agrupamiento ".
  3. 3. Clustering Jerárquico – ¿Cómo funciona? • La técnica de clustering jerárquico construye un dendograma o árbol que representa las relaciones de similitud entre los distintos elementos. La exploración de todos los posibles árboles es computacionalmente intratable. Por lo tanto, suelen seguirse algoritmos aproximados guiados por determinadas heurísticas.
  4. 4. Las técnicas de agrupamiento encuentran aplicación en diversos ámbitos. En biología para clasificar animales y plantas. En medicina para identificar enfermedades. En marketing para identificar personas con hábitos de compras similares. En teoría de la señal pueden servir para eliminar ruidos. En biometría para identificación del locutor o de caras.
  5. 5. Clustering Jerárquico – Tipos • Clustering jerárquico aglomerativo: • Se comienza con tantos clústeres como individuos y consiste en ir formando (aglomerando) grupos según su similitud. • Clustering jerárquico de división: • Se comienza con un único clúster y consiste en ir dividiendo clústeres según la disimilitud entre sus componentes. Existen dos aproximaciones diferentes al clustering jerárquico:
  6. 6. En el clustering jerárquico no es necesario especificar el número de clústeres a priorizar. Es posible seleccionarlo a posterioridad según un umbral de corte. La estructura jerárquica es cercana a la intuición humana. La principal desventaja consiste en la acumulación de errores. Errores que se comenten en un paso de agrupamiento se propagan durante el resto de la construcción del dendograma sin ser posible su reajuste.
  7. 7. EJEMPLO DE CLUSTERING EN R  Variables del dataset denominado comunidades autónomas
  8. 8. EJEMPLO DE CLUSTERING EN R – PARTE I
  9. 9. EJEMPLO DE CLUSTERING EN R – PARTE II
  10. 10. EJEMPLO DE CLUSTERING EN R – PARTE III
  11. 11. BIBLIOGRAFÍA • Búsqueda de patrones: técnicas de clustering, recuperado de: http://www.Cs.Us.Es/~fran/curso_unia/clustering.Html • introducción al análisis cluster, recuperado de: http://www.uv.es/ceaces/multivari/cluster/CLUSTER2.htm

×