Una introducción al análisis de conglomerados para datos de dimensión alta
Darwin De La Fuente Vicente
Resumen / Abstract
El análisis de conglomerados (cluster analysis) es una técnica de análisis multivariado cuyo objetivo es identificar grupos naturales dentro de un conjunto de datos, de tal manera que los datos que pertenecen a un mismo grupo sean similares entre sí con respecto a los de otros grupos. El agrupamiento de los conglomerados depende de la medida de proximidad utilizada (métrica) y del método de agrupamiento aplicado.
En este trabajo se estudian métodos de agrupamiento no jerárquico: K-Means, K-Medoids (PAM) y Análisis Difuso (FUZZY). Para cada uno de ellos se describe su formulación matemática, el algoritmo de implementación y una interpretación geométrica mediante datos bidimensionales, lo que permite comparar el agrupamiento y ver sus principales diferencias.
Se analiza el comportamiento de estos métodos de conglomerados con datos de dimensión alta, es decir, conjuntos de datos en los que el número de variables es mayor que el tamaño de la muestra (HDLSS, High Dimension Low Sample Size), situación en la que identificar los conglomerados resulta menos evidente.
Palabras clave:: Análisis de conglomerados, datos de alta dimensión, K-Means, K-Medoids, Análisis Difuso.
