Agrupación en Minería de Datos

Agrupación : 

El proceso de convertir un grupo de objetos abstractos en clases de objetos similares se conoce como agrupación. 

Puntos para recordar: 

Un grupo se trata como un grupo de objetos de datos

• En el proceso de análisis de conglomerados, el primer paso es dividir el conjunto de datos en grupos con la ayuda de la similitud de datos, y luego los grupos se asignan a sus respectivas etiquetas.
• La mayor ventaja de la sobreclasificación en clústeres es que puede adaptarse a los cambios realizados y ayuda a identificar características útiles que diferencian a los diferentes grupos.

Aplicaciones del análisis de conglomerados:

• Es ampliamente utilizado en muchas aplicaciones, como procesamiento de imágenes, análisis de datos y reconocimiento de patrones.
• Ayuda a los especialistas en marketing a encontrar los distintos grupos en su base de clientes y pueden caracterizar sus grupos de clientes mediante el uso de patrones de compra.
• Se puede utilizar en el campo de la biología, derivando taxonomías animales y vegetales e identificando genes con las mismas capacidades.
• También ayuda en el descubrimiento de información mediante la clasificación de documentos en la web.

Métodos de agrupamiento: 

Se puede clasificar en base a las siguientes categorías.

1. Método basado en modelos
2. Método jerárquico
3. Método basado en restricciones
4. Método basado en cuadrícula
5. Método de partición
6. Método basado en la densidad

Requisitos de la agrupación en minería de datos: 

Los siguientes son algunos puntos por los que la agrupación en clústeres es importante en la minería de datos.

• Escalabilidad: requerimos algoritmos de agrupamiento altamente escalables para trabajar con grandes bases de datos.
• Capacidad para manejar diferentes tipos de atributos: los algoritmos deben poder trabajar con el tipo de datos, como datos categóricos, numéricos y binarios.
• Descubrimiento de clústeres con forma de atributo: el algoritmo debe poder detectar clústeres en formas arbitrarias y no debe limitarse a medidas de distancia.
• Interpretabilidad: los resultados deben ser completos, utilizables e interpretables.
• Alta dimensionalidad: el algoritmo debe poder manejar un espacio dimensional alto en lugar de solo manejar datos dimensionales bajos.