Actividad IDSA - Clustering by Ing. Layla Scheli

Consigna

laylascheli — 2023-11-22 13:10:39 UTC

1.Investigar sobre diferentes Clustering además de los vistos y estudiados durante la clase. Ej. DBSCAN, k-Medoids, etc.

2.Documentar un breve resumen del análisis realizado, detallando usos y características de los algoritmos.

3.Debatir colaborativamente entre todo.

2023-11-22 13:21:37 UTC

K-Medoids:

El término “medoide” se refiere a un objeto dentro de un clúster cuya diferencia promedio con respecto a los demás miembros del clúster es mínima. Es como el punto más central del grupo.En contraste, en el clúster k-means, el centro de un clúster se calcula como el promedio de todos los puntos de datos que lo componen.

El algoritmo es menos sensible al ruido y a los valores atípicos.

DBSCAN

2023-11-22 13:27:18 UTC

Es un algoritmo de aprendizaje no supervisado basado en densidad. Calcula gráficos de vecinos más cercanos para encontrar valores atípicos y grupos de formas arbitrarias.

Como funciona:

El algoritmo procede seleccionando arbitrariamente un punto en el conjunto de datos (hasta que se hayan visitado todos los puntos).

Si hay al menos puntos 'minPoint' dentro de un radio de 'ε' hasta el punto, entonces consideramos que todos estos puntos son parte del mismo grupo.

Luego, los grupos se expanden repitiendo recursivamente el cálculo de vecindad para cada punto vecino.

Diferencias con K-Means:

A diferencia de K-Means, este tipo de cllustering localiza regiones de alta densidad que están separadas una de la otra por regiones de baja densidad. Con densidad, nos referimos al número de puntos dentro de un radio especificado.

Ejemplo:

-La geolocalización de tuits después de una catástrofe natural o un ataque terrorista puede organizarse en clústeres para informar sobre las necesidades de rescate y evacuación en función del tamaño y la ubicación de los clústeres identificados.

Affinity Propagation clustering algorithm

2023-11-22 13:28:44 UTC

Each data point communicates with all of the other data points to let each other know how similar they are and that starts to reveal the clusters in the data. You don't have to tell this algorithm how many clusters to expect in the initialization parameters.

As messages are sent between data points, sets of data called exemplars are found and they represent the clusters.

An exemplar is found after the data points have passed messages to each other and form a consensus on what data point best represents a cluster.

When you aren't sure how many clusters to expect, like in a computer vision problem, this is a great algorithm to start with.

Mean-Shift clustering algorithm

2023-11-22 13:29:35 UTC

This is another algorithm that is particularly useful for handling images and computer vision processing. Mean-shift is similar to the BIRCH algorithm because it also finds clusters without an initial number of clusters being set.

This is a hierarchical clustering algorithm, but the downside is that it doesn't scale well when working with large data sets.

It works by iterating over all of the data points and shifts them towards the mode. The mode in this context is the high density area of data points in a region.

That's why you might hear this algorithm referred to as the mode-seeking algorithm. It will go through this iterative process with each data point and move them closer to where other data points are until all data points have been assigned to a cluster.

GMM (Gaussian Mixture Model)

2023-11-22 13:29:54 UTC

El Modelo de Mezcla de Gaussianas (GMM) es un modelo probabilístico que asume que los datos están generados por una mezcla de varias distribuciones gaussianas. Cada componente gaussiano en la mezcla representa un clúster. GMM es una técnica de clustering suave, lo que significa que asigna una probabilidad a cada punto de pertenecer a cada clúster en lugar de asignarlo a un clúster específico. Esto lo hace útil cuando los puntos pueden pertenecer a múltiples clústeres.

OPTICS algorithm

2023-11-22 13:29:56 UTC

OPTICS stands for Ordering Points to Identify the Clustering Structure. It's a density-based algorithm similar to DBSCAN, but it's better because it can find meaningful clusters in data that varies in density. It does this by ordering the data points so that the closest points are neighbors in the ordering.

This makes it easier to detect different density clusters. The OPTICS algorithm only processes each data point once, similar to DBSCAN (although it runs slower than DBSCAN). There's also a special distance stored for each data point that indicates a point belongs to a specific cluster.