Tema 14 · Fase 3, Más modelos, tiempo y estructura · Toda la ruta
Lo esencial
1En el aprendizaje no supervisado no hay respuesta correcta: agrupar es encontrar puntos cercanos entre sí y lejos del resto. Como todo depende de la distancia, hay que escalar las columnas antes.
2K-means repite dos pasos, asignar cada punto al centroide más cercano y mover cada centroide al promedio de su grupo, y así baja la inercia. Puede quedarse en un mínimo local; k-means++ y varios inicios (n_init) lo evitan casi siempre.
3La inercia siempre baja al agregar grupos. Para elegir k se busca el codo de la curva de inercia y la silueta promedio más alta, sin olvidar para qué se quieren los grupos.
4DBSCAN arma grupos de cualquier forma como zonas densas, con un radio eps y un mínimo de vecinos min_samples, y marca como ruido los puntos sueltos.
5El clustering aglomerativo une grupos de abajo hacia arriba según un enlace y se dibuja como un dendrograma, que se corta a una altura para obtener los grupos. El espectral agrupa saltando entre vecinos y separa formas, como dos lunas, que K-means no puede.
6Reemplazar cada píxel por el centroide de su grupo de colores reduce una foto a k colores: K-means como compresión.