<?xml version="1.0"?>
<rss version="2.0">
   <channel>
      <title>Metricas de Clustering - CoderHouse by Ing. Layla Scheli</title>
      <link>https://padlet.com/laylascheli/xsij2vokn1we8brf</link>
      <description>Actividad Grupal - Colaborativa</description>
      <language>en-us</language>
      <pubDate>2021-11-11 14:00:59 UTC</pubDate>
      <lastBuildDate>2026-02-26 13:23:59 UTC</lastBuildDate>
      <webMaster>hello@padlet.com</webMaster>
      <image>
         <url></url>
      </image>
      <item>
         <title>ROOM 2 JACCARD SIMILARITY</title>
         <author></author>
         <link>https://padlet.com/laylascheli/xsij2vokn1we8brf/wish/1884240720</link>
         <description><![CDATA[<div><strong>Jaccard Similarity</strong> es una medida de proximidad común que se utiliza para calcular la similitud entre dos objetos, como dos documentos de texto. La similitud de Jaccard se puede utilizar para encontrar la similitud entre dos vectores binarios asimétricos o para encontrar la similitud entre dos conjuntos. En literatura, la similitud de Jaccard, simbolizada por J<br><br>https://www.learndatasci.com/glossary/jaccard-similarity/<br><br></div>]]></description>
         <enclosure url="https://padlet-uploads.storage.googleapis.com/1359863636/ec79e1564b5739696e9247324b06da6f/image.png" />
         <pubDate>2021-11-11 14:02:56 UTC</pubDate>
         <guid>https://padlet.com/laylascheli/xsij2vokn1we8brf/wish/1884240720</guid>
      </item>
      <item>
         <title>Uno puede usar metricas de similaridad para armar sistemas de recomendacion en base a caracteristicas demograficas.</title>
         <author>enriquecorimayo2011</author>
         <link>https://padlet.com/laylascheli/xsij2vokn1we8brf/wish/1884266046</link>
         <description><![CDATA[]]></description>
         <enclosure url="" />
         <pubDate>2021-11-11 14:11:38 UTC</pubDate>
         <guid>https://padlet.com/laylascheli/xsij2vokn1we8brf/wish/1884266046</guid>
      </item>
      <item>
         <title>Uno puede usar metricas de de similitud para encarar problemas de Procesamiento del lenguaje natural(ver similitudes entre documentos)</title>
         <author>enriquecorimayo2011</author>
         <link>https://padlet.com/laylascheli/xsij2vokn1we8brf/wish/1884268579</link>
         <description><![CDATA[]]></description>
         <enclosure url="" />
         <pubDate>2021-11-11 14:12:31 UTC</pubDate>
         <guid>https://padlet.com/laylascheli/xsij2vokn1we8brf/wish/1884268579</guid>
      </item>
      <item>
         <title>Room 1</title>
         <author></author>
         <link>https://padlet.com/laylascheli/xsij2vokn1we8brf/wish/1884313941</link>
         <description><![CDATA[<div>Técnicas e índices para la validación de un agrupamiento<br>Validación interna y externa: https://docplayer.es/71694389-Metricas-para-la-validacion-de-clustering.html<br><br>Aplicaciones de clustering en el mundo real: https://aprendeia.com/metodo-de-agrupamiento-o-clustering-aprendizaje-no-supervisado/<br><br>Validación de Clusters usando IEKA y SL-SOM: http://rics.ucsp.edu.pe/publicaciones/20100026.pdfhttp://rics.ucsp.edu.pe/publicaciones/20100026.pdf</div>]]></description>
         <enclosure url="https://docplayer.es/71694389-Metricas-para-la-validacion-de-clustering.html" />
         <pubDate>2021-11-11 14:28:17 UTC</pubDate>
         <guid>https://padlet.com/laylascheli/xsij2vokn1we8brf/wish/1884313941</guid>
      </item>
      <item>
         <title>ROOM 2 DAVIES BOULDIN Y DUNN</title>
         <author></author>
         <link>https://padlet.com/laylascheli/xsij2vokn1we8brf/wish/1884320154</link>
         <description><![CDATA[<div>Índice de Davies-Bouldin</div><div>Este índice trata a cada conglomerado individualmente y busca medir qué tan similar es al conglomerado más cercano a él. El índice DB se formula de la siguiente manera:<br><br></div><div><br></div><div>I (c_i) representa la media de las distancias entre los objetos que pertenecen al grupo C_i y su centro. Y I (c_i, c_j) representa la distancia entre los centros de los dos grupos C_i y C_j.<br><br></div><div>Para cada clúster i en la partición, buscamos el clúster j que maximiza el índice que se describe a continuación:<br><br></div><div><br></div><div>La mejor agrupación es, por tanto, la que minimiza la media del valor calculado para cada agrupación. En otras palabras, el mejor agrupamiento es el que minimiza la similitud entre los grupos.<br><br><br>Índice de Dunn</div><div>El índice de Dunn es otra medida de validación de agrupación interna que se puede calcular de la siguiente manera:<br><br></div><ol><li>Para cada grupo, calcule la distancia entre cada uno de los objetos en el grupo y los objetos en los otros grupos</li><li>Utilice el mínimo de esta distancia por pares como la separación entre grupos (separación <em>mínima</em> )</li><li>Para cada grupo, calcule la distancia entre los objetos en el mismo grupo.</li><li>Utilice la distancia máxima intra-clúster (es decir, el diámetro máximo) como compacidad intra-clúster</li><li>Calcule el índice de Dunn (D) de la siguiente manera:</li></ol><div><br></div><div><br><br></div><div><br>https://complex-systems-ai.com/cluster-analysis/calinski-harabasz-davies-bouldin-dunn-and-silhouette/</div>]]></description>
         <enclosure url="https://complex-systems-ai.com/cluster-analysis/calinski-harabasz-davies-bouldin-dunn-and-silhouette/" />
         <pubDate>2021-11-11 14:30:23 UTC</pubDate>
         <guid>https://padlet.com/laylascheli/xsij2vokn1we8brf/wish/1884320154</guid>
      </item>
      <item>
         <title>El índice de Dunn es un método para evaluar la agrupación en clústeres. Un valor más alto es mejor. Se calcula como la distancia entre grupos más baja (es decir, la distancia más pequeña entre dos centroides de grupo) dividida por la distancia entre grupos más alta (es decir, la distancia más grande entre dos puntos en cualquier grupo).</title>
         <author></author>
         <link>https://padlet.com/laylascheli/xsij2vokn1we8brf/wish/1884330080</link>
         <description><![CDATA[]]></description>
         <enclosure url="" />
         <pubDate>2021-11-11 14:33:47 UTC</pubDate>
         <guid>https://padlet.com/laylascheli/xsij2vokn1we8brf/wish/1884330080</guid>
      </item>
      <item>
         <title>https://livebook.manning.com/concept/r/dunn-index</title>
         <author>enriquecorimayo2011</author>
         <link>https://padlet.com/laylascheli/xsij2vokn1we8brf/wish/1884356498</link>
         <description><![CDATA[<div>https://livebook.manning.com/concept/r/davies-bouldin-index</div>]]></description>
         <enclosure url="https://livebook.manning.com/concept/r/dunn-index" />
         <pubDate>2021-11-11 14:42:36 UTC</pubDate>
         <guid>https://padlet.com/laylascheli/xsij2vokn1we8brf/wish/1884356498</guid>
      </item>
   </channel>
</rss>
