Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 102 vistas

    Examen Unidad 4

    Cargado por

    Geovanny Elias Montiel Francisco
    Los objetivos de la clasificación no supervisada son dividir un conjunto de objetos en grupos similares llamados clusters, donde los objetos dentro de un cluster son más similares entre sí que los de otros clusters. El algoritmo k-medias optimiza el error cuadrático para dividir una base de datos en k grupos predefinidos asignando cada punto al centroide más cercano, recalculando los centroides iterativamente hasta que no haya cambios. Los algoritmos jerárquicos anglomerativos inicializan cada punto en su propio cluster, calculan las distancias entre puntos

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    Examen Unidad 4

    Cargado por

    Geovanny Elias Montiel Francisco
    102 vistas1 página
    Los objetivos de la clasificación no supervisada son dividir un conjunto de objetos en grupos similares llamados clusters, donde los objetos dentro de un cluster son más similares entre sí que los de otros clusters. El algoritmo k-medias optimiza el error cuadrático para dividir una base de datos en k grupos predefinidos asignando cada punto al centroide más cercano, recalculando los centroides iterativamente hasta que no haya cambios. Los algoritmos jerárquicos anglomerativos inicializan cada punto en su propio cluster, calculan las distancias entre puntos

    Derechos de autor

    © Attribution Non-Commercial (BY-NC)

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Los objetivos de la clasificación no supervisada son dividir un conjunto de objetos en grupos similares llamados clusters, donde los objetos dentro de un cluster son más similares entre sí que los de otros clusters. El algoritmo k-medias optimiza el error cuadrático para dividir una base de datos en k grupos predefinidos asignando cada punto al centroide más cercano, recalculando los centroides iterativamente hasta que no haya cambios. Los algoritmos jerárquicos anglomerativos inicializan cada punto en su propio cluster, calculan las distancias entre puntos

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    102 vistas1 página

    Examen Unidad 4

    Cargado por

    Geovanny Elias Montiel Francisco
    Los objetivos de la clasificación no supervisada son dividir un conjunto de objetos en grupos similares llamados clusters, donde los objetos dentro de un cluster son más similares entre sí que los de otros clusters. El algoritmo k-medias optimiza el error cuadrático para dividir una base de datos en k grupos predefinidos asignando cada punto al centroide más cercano, recalculando los centroides iterativamente hasta que no haya cambios. Los algoritmos jerárquicos anglomerativos inicializan cada punto en su propio cluster, calculan las distancias entre puntos

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    Está en la página 1de 1

    1.

    Cules son los objetivos de la clasificacin no supervisada?

    Dividir el conjunto de objetos en grupos de objetos similares llamados clusters, de modo tal que objetos pertenecientes a un mismo grupo son ms similares que objetos de grupos diferentes
    2. Especificar el funcionamiento de agrupamiento k-medias Est basado en la optimizacin del error cuadrtico, que sigue una forma fcil para dividir una base de datos dada en k grupos fijados a priori. La idea principal es definir k centroides (uno para cada grupo) y, luego, ubicar los restantes puntos en la clase de su centroide ms cercano. . El prximo paso es recalcular el centroide de cada cluster y reubicar nuevamente los puntos en cada grupo. El proceso se repite hasta que no haya cambios en la distribucin de los puntos de una iteracin a la siguiente. 3. Describa la operacin de los algoritmos jerrquico anglomerativo Entrada X->Conjunto de datos 1.- Inicialmente, se ubican los puntos de Xen un cluster unitario. 2.- Se calculan las distancias/disimilaridades entre todos los pares de puntos. 3.- Se calcula la distancia entre todos los pares de grupos. 4.- Se unen los dos grupos cuya distancia es mnima. 5.- Se actualiza la matriz de las distancias entre grupos. 6.- Si todos los puntos estn en un mismo cluster, terminar; sino, volver al paso 3. 4. De un ejemplo de mtrica de similaridad

    Mtrica Eucldea
    5. Describa que es un dendograma y su utilidad

    Los algoritmos jerrquicos, como su nombre indica, construyen una jerarqua de agrupamientos, uniendo o dividiendo los grupos de acuerdo a una cierta funcin de similaridad/disimilaridad entre los grupos. En otras palabras, construyen un rbol de clusters llamado dendograma. Tal enfoque permite estudiar los datos con diferentes niveles de glanularidad.

    También podría gustarte