Agrupación K-Means

Cómo funciona K-Means

El algoritmo K-Means funciona de forma iterativa para encontrar las mejores asignaciones de clúster para todos los puntos de datos. El proceso puede dividirse en unos sencillos pasos:

1. Inicialización: En primer lugar, se elige el número de conglomerados (K). A continuación, se colocan aleatoriamente K centroides iniciales en el espacio de características del conjunto de datos.
2. Paso de asignación: Cada punto de los datos de entrenamiento se asigna al centroide más cercano. Se forman así K conglomerados iniciales.
3. Paso de actualización: El centroide de cada cluster se recalcula tomando la media de todos los puntos de datos asignados a él.
4. Iteración: Los pasos de asignación y actualización se repiten hasta que las asignaciones de los conglomerados ya no cambian o hasta que se alcanza un número máximo de iteraciones. En este punto, el algoritmo ha convergido y se forman los clusters finales. Puede ver una explicación visual del algoritmo K-Means para una comprensión más intuitiva.

La elección del valor correcto de K es crucial y a menudo requiere conocimientos del dominio o el uso de métodos como el método del codo o la puntuación Silhouette. Hay muchas implementaciones disponibles en bibliotecas como Scikit-learn.

Aplicaciones reales

K-Means se aplica en diversos ámbitos debido a su sencillez y eficacia:

• Segmentación de clientes: En el sector minorista y de marketing, las empresas utilizan K-Means para agrupar a los clientes en distintos segmentos en función de su historial de compras, sus características demográficas o su comportamiento. Por ejemplo, una empresa puede identificar un grupo de "fieles que gastan mucho" y un grupo de "compradores ocasionales conscientes de su presupuesto". Esto permite aplicar estrategias de marketing específicas, como se describe en los estudios sobre segmentación de clientes mediante agrupación.
• Compresión de imágenes: En visión por ordenador (CV), K-Means se utiliza para la cuantificación del color, una forma de reducción de la dimensionalidad. Agrupa los colores de píxeles similares en K clusters, sustituyendo el color de cada píxel por el color del centroide de su cluster. Esto reduce el número de colores de una imagen, comprimiéndola de forma efectiva. Esta técnica es un concepto fundamental en la segmentación de imágenes.
• Análisis de documentos: El algoritmo puede agrupar documentos en función de sus frecuencias de términos para identificar temas o agrupar artículos similares, lo que ayuda a organizar grandes conjuntos de datos de texto.

K-Means frente a conceptos afines

Es importante distinguir K-Means de otros algoritmos de aprendizaje automático:

• Vecinos más próximos a K (KNN): Este es un punto común de confusión. K-Means es un algoritmo de agrupación no supervisado que agrupa datos no etiquetados. En cambio, KNN es un algoritmo de clasificación o regresión supervisado que predice la etiqueta de un nuevo punto de datos basándose en las etiquetas de sus K vecinos más cercanos. K-Means crea grupos, mientras que KNN clasifica en grupos predefinidos.
• Máquina de vectores soporte (SVM): SVM es un modelo de aprendizaje supervisado utilizado para la clasificación que encuentra un hiperplano óptimo para separar las clases. K-Means no está supervisado y agrupa los datos en función de la similitud, sin etiquetas predefinidas.
• DBSCAN: A diferencia de K-Means, DBSCAN es un algoritmo de agrupación basado en la densidad que puede identificar conglomerados de forma arbitraria y es resistente a los valores atípicos. K-Means asume que los clústeres son esféricos y puede verse muy afectado por los valores atípicos.

Mientras que K-Means es una herramienta fundamental para la exploración de datos, tareas complejas como la detección de objetos en tiempo real dependen de modelos más avanzados. Los detectores modernos, como Ultralytics YOLO, utilizan sofisticadas técnicas de aprendizaje profundo para obtener un rendimiento superior. Sin embargo, los conceptos de clustering, como la agrupación de cajas de anclaje, fueron fundamentales en el desarrollo de los primeros detectores de objetos. La gestión de conjuntos de datos para este tipo de tareas puede agilizarse utilizando plataformas como Ultralytics HUB.