Análisis de conglomerados en Python

Antes de que esté preparado para clasificar artículos de noticias, es necesario que conozca los fundamentos de la agrupación. Este capítulo le familiarizará con una clase de algoritmos de aprendizaje automático denominados aprendizaje no supervisado y, a continuación, le presentará el clustering, uno de los algoritmos de aprendizaje no supervisado más populares. Conocerá dos técnicas populares de clustering: el clustering jerárquico y el clustering k-means. El capítulo concluye con unos pasos básicos de preprocesamiento antes de empezar a agrupar datos.

Este capítulo se centra en un popular algoritmo de clustering - clustering jerárquico - y su implementación en SciPy. Además del procedimiento para realizar el clustering jerárquico, intenta ayudarle a responder a una pregunta importante: ¿cuántos clusters hay en sus datos? El capítulo concluye con una discusión sobre las limitaciones de la agrupación jerárquica y analiza las consideraciones a tener en cuenta al utilizarla.

Este capítulo presenta un algoritmo de clustering diferente - el clustering k-means - y su implementación en SciPy. El clustering de K-means supera el mayor inconveniente del clustering jerárquico que se discutió en el último capítulo. Como los dendrogramas son específicos de la agrupación jerárquica, en este capítulo se analiza un método para hallar el número de conglomerados antes de ejecutar la agrupación k-means. El capítulo concluye con una discusión sobre las limitaciones de la agrupación k-means y analiza las consideraciones a tener en cuenta al utilizar este algoritmo.

Ahora que ya está familiarizado con dos de las técnicas de clustering más populares, este capítulo le ayudará a aplicar estos conocimientos a problemas del mundo real. El capítulo aborda en primer lugar el proceso de búsqueda de colores dominantes en una imagen, antes de pasar al problema tratado en la introducción: la agrupación de artículos de noticias. El capítulo concluye con un debate sobre la agrupación con múltiples variables, lo que dificulta la visualización de todos los datos.