7 – Clustering con Modelos de Mezcla Gaussiana

Lección 7 del curso Clustering en el Machine Learning.

En la lección anterior vimos qué es y cómo realizar el agrupamiento de datos usando HDBSCAN, un método de clustering jerárquico que permite encontrar agrupaciones con diferentes densidades.

En esta última lección del curso veremos otros de los métodos de clustering más usados: la generación de agrupaciones con Modelos de Mezcla Gaussiana. Así que vamos a entender en detalle cómo funciona este algoritmo junto con dos ejemplos prácticos de aplicación haciendo uso de Python y la librería Scikit-Learn.

Comencemos entendiendo el principio de funcionamiento de estos métodos de agrupamiento usando Modelos de Mezcla Gaussiana:

En esencia el agrupamiento con Modelos de Mezcla Gaussiana asume que los datos que queremos agrupar obedecen a una distribución Gaussiana multidimensional subyacente. Así que haciendo uso del algoritmo de expectativa-maximización (o «expectation-maximization»), es posible encontrar los parámetros de dicha mezcla Gaussiana (es decir los vectores de medianas, las matrices de correlación y las probabilidades «a priori» de cada distribución). Por tanto, este enfoque genera agrupaciones de datos con base en su distribución.

Entonces, teniendo claro cómo funciona este algoritmo, veamos un primer ejemplo de implementación haciendo uso de la librería Scikit-Learn de Python:

De nuevo, podemos ver que la lógica de uso de este método de agrupamiento es similar a la que analizamos en lecciones anteriores. Sin embargo, en este caso particular, al momento de crear la instancia del modelo debemos definir el número de agrupaciones (k) lo cual permitirá inicializar aleatoriamente los parámetros del modelo. Así que esta inicialización aleatoria es precisamente una de las limitaciones de este método.

Entonces, teniendo claros los detalles de este primer ejemplo, veamos ahora cómo usar los Modelos de Mezcla Gaussiana para abordar el problema de segmentación de clientes que hemos analizado en lecciones anteriores:

Como acabamos de ver, el resultado de la caracterización de los segmentos de cliente obtenido con estos Modelos de Mezcla Gaussiana es muy similar al que obtuvimos en lecciones anteriores cuando usamos por ejemplo los métodos HDBSCAN y DBSCAN.

En últimas, como lo hemos mencionado en lecciones anteriores, todos los métodos vistos a lo largo de este curso tienen una serie de ventajas y desventajas y al final ninguno es mejor que otro. En realidad, la elección del método de agrupamiento más adecuado dependerá de las características particulares del problema que estemos resolviendo y de las características propias del set de datos.

Así que con esto ya hemos llegado al final de este curso, ¡te felicito por haber llegado hasta este punto!

Con lo aprendido a lo largo del curso ya hemos visto en detalle cómo funcionan y cómo resolver problemas de agrupamiento de datos usando las principales técnicas de «clustering» usadas en el Machine Learning.

Como siempre, te invito a contactarme a través de la Intranet si tienes alguna duda o comentario de este curso o si me quieres compartir alguna sugerencia para seguir mejorando el contenido de la Academia.

¡Así que te envío un saludo y nos vemos en el próximo curso!

Todas las lecciones del curso Clustering en el Machine Learning