¿Qué es el análisis de clúster?

El término análisis de clúster hace referencia a la familia de algoritmos que permiten agrupar registros similares de un conjunto de datos en grupos. A cada uno de estos grupos es a lo que se denomina un clúster. El objetivo final del análisis es asignar a cada clúster los registros que son similares entre sí. Al mismo tiempo que los registros del resto de clústeres son diferentes. Estas son técnicas de aprendizaje no supervisado, con las que es posible descubrir patrones ocultos en los conjuntos de datos. Los algoritmos simplemente agrupan los registros y no ofrecen una interpretación de los resultados. Por lo que es necesario que una persona los interprete posteriormente para poder sacar provecho de ellos.

El funcionamiento de los algoritmos de clúster

El objetivo de los algoritmos de clúster se puede comprender fácilmente utilizando un diagrama de dispersión. La similitud de dos registros se puede medir en este caso mediante la distancia euclídea, o cualquiera otra distancia. Así los registros que se muestran cerca en el diagrama serán similares, mientras los que se encuentre lejos no. En esta situación los algoritmos de clúster buscarán las zonas del plano en la que se agrupan los registros, siendo cada uno un clúster. Por ejemplo, en el diagrama de dispersión que se muestra a continuación se pueden observar como los registros se dividen en tres grupos. Para visualizarlo mejor a los registros de cada grupo se le ha asignado un color diferente.

Aplicación del análisis de clúster

El análisis de clúster es ampliamente utilizado cuando se desea identificar los patrones ocultos en los conjuntos de datos. Una de las aplicaciones más populares es la segmentación de clientes. Mediante el análisis de clúster se pueden identificar los diferentes tipos de clientes para gestionar mejor la relación con los mismos. Otra aplicación popular del análisis de clúster es la segmentación de imágenes. Al identificar zonas similares en una imagen es posible asignar posteriormente estas a objetos.

Principales algoritmos de análisis de clúster

El análisis de clúster es un problema computacionalmente complejo. Debido a esto se han desarrollado miles de algoritmos para realizar esta tarea. Algunos pueden ser solamente adecuados en algunas aplicaciones en concreto, por ejemplo, la segmentación de imágenes. Otros son de propósito más general. Posiblemente los algoritmos más populares sean k-mean y agrupación jerárquica

k-means

El algoritmo de k-means es uno de los más utilizados en análisis de clúster. Esto es debido a su simplicidad y ser fácilmente interpretable. En este método, para llevar a cabo el análisis de clúster, solamente es necesario indicar el número de clústeres. Inicialmente se generan aleatoriamente tantos puntos, a los que se les denomina centroides, en el espacio de propiedades como clústeres. Cada registro se asigna al clúster del centroide más cercano. En cada uno de los clústeres se actualiza la posición de los centroides con el valor promedio de sus registros. Volviéndose a realizar la asignación de los registros a un clúster con los nuevos centroides. Este proceso se repite hasta que la posición de los centroides no cambie por encima de un umbral de una iteración a la siguiente.

Es importante notar que, dado que la posición inicial de los centroides es aleatoria, los resultados pueden cambiar de una ejecución a la siguiente. Por esto es aconsejable ejecutar el algoritmo varias veces.

Agrupación jerárquica

La agrupación jerárquica (“hierarchical clustering”) es una familia de algoritmos en la que existen básicamente dos enfoques:

• Aglomerativo (“agglomerative”): la agrupación se realiza mediante un enfoque ascendente, cada observación comienza en su propio clúster y estos se agruparán mientras se sube en la jerarquía.
• Divisivas (“divisive”): la agrupación comienza con un único clúster que abarca todas nuestras muestras, y se divide iterativamente en clústeres más pequeños hasta que cada uno de los clústeres solo contiene una muestra.

Conclusiones

En esta entrada se ha explicado que consiste el análisis de clúster, algunas de sus aplicaciones y los principales algoritmos. Mediante este tipo de análisis es posible descubrir los patrones que se ocultan en los datos. Por lo que es aconsejable conocer qué se puede hacer con ellos.

Imágenes: Pixabay (Jill Wellington)