Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 13 vistas

    Aprendizaje No Supervisado

    Cargado por

    Miguel lopez theran

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    Aprendizaje No Supervisado

    Cargado por

    Miguel lopez theran
    13 vistas2 páginas

    Título original

    Aprendizaje no supervisado

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    13 vistas2 páginas

    Aprendizaje No Supervisado

    Cargado por

    Miguel lopez theran

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    Está en la página 1de 2

    Aprendizaje no supervisado

    El término aprendizaje no supervisado se refiere a métodos estadísticos que extraen


    significado de los datos sin entrenar un modelo en datos etiquetados, también construye
    un modelo de los datos, pero no distingue entre una variable de respuesta y variables
    predictoras. (Bruce, 2017)
    En otros casos, el objetivo puede ser reducir la dimensión de los datos a un conjunto de
    variables más manejable. Este conjunto reducido podría luego utilizarse como entrada en
    un modelo predictivo, como regresión o clasificación. (Bruce, 2017)
    Finalmente, el aprendizaje no supervisado puede verse como una extensión del análisis
    exploratorio de datos a situaciones en las que te enfrentas a un gran número de variables
    y registros. El objetivo es obtener información sobre un conjunto de datos y cómo las
    diferentes variables se relacionan entre sí. Las técnicas no supervisadas proporcionan
    formas de filtrar y analizar estas variables y descubrir relaciones. (Bruce, 2017)
    A continuación, comparto script da la actividad de aprendizaje no supervisado.
    https://colab.research.google.com/drive/1MjvQGs_uyklJXeqFK664OlTkZEzx8gFb?
    usp=sharing
    Desarrollo de la actividad
    Se carga la base de datos a la que se realizara el análisis de la siguiente fuente de
    información
    Mall_Customers (kaggle.com)
    Luego de cargas la base se realizar funciones de data cleaning con el objetivo de
    encontrar atípicos en la base de datos como son datos nulos o duplicados.
    El siguiente paso en la actividad es aplicar los algoritmos de agrupamiento
     K-means.
     DBSCAN (Density-Based Spatial Clustering of Applications with Noise).
     GMM (Gaussian Mixture Model).
     BIRCH (Balanced Iterative Reducing and Clustering using Hierarchies).
     Affinity Propagation.
     Mean Shif
     OPTICS (Ordering Points To Identify the Clustering Structure)
     Clustering Jerárquico Aglomerativo.
    Donde se tuvieron los siguientes resultados.
    El k.means a clasificado tres grupos teniendo en cuenta su ingreso anual y su cantidad en
    gastos mientras que el DBSCAN tienen diferentes grupo mezclado los ingresos con los
    gatos. El GMM también agrupa tres grupos dependiendo del gasto y su ingreso muy
    parecido al k.means lo mismo que para el BIRCH. El algoritmo de propagación de afinidad
    separa diferentes grupos mezclado los ingresos y gatos lo mismo que OPTICS. Y Mean
    shift solo identifica un grupo sin realizar ningún tipo de distinción.
    Teniendo en cuenta todos los algoritmos aplicados. Lo que mejor me hacen un clustering
    teniendo en cuenta el dataset con el que estamos trabajando podríamos decir que el
    algoritmo de k-means, Gaussian Mixture Model y Clustering Jerárquico Aglomerativo. Ya
    que se puede identificar cada grupo de manera clara y aquellos en medio que tienen
    similitudes en el gasto y el ingreso.

    Bibliografía
    Bruce, P. B. (2017). Practical Statistics for Data Scientists. United States of
    America.: O’Reilly Media,.
    Dr., D. R. (2024, 10). SpringerLink. Retrieved from Gaussian Mixture Models:
    https://link.springer.com/referenceworkentry/10.1007/978-0-387-73003-
    5_196
    iawei Han, M. K. (2021). Data Mining - Concepts And Techniques. The-Morgan-
    Kaufmann.
    Martin Ester, H.-P. K. (2024, 10). A Density-Based Algorithm for Discovering
    Clusters. Retrieved from A Density-Based Algorithm for Discovering
    Clusters: A Density-Based Algorithm for Discovering Clusters
    McKinney, W. (n.d.). Python for Data Analysis. O’Reilly’s.
    VanderPlas, J. (2017). Python Data Science Handbook. O’Reilly.
    Zhang, T. R. (1996). Data Mining and Knowledge Discovery. Editor in Chief.

    También podría gustarte