Agrupación frente a clasificación: diferencia entre agrupación y clasificación

Introducción

Los algoritmos de aprendizaje automático generalmente se clasifican según el tipo de variable de salida y el tipo de problema que debe abordarse. Estos algoritmos se dividen ampliamente en tres tipos, es decir, regresión, agrupación y clasificación. La regresión y la clasificación son tipos de algoritmos de aprendizaje supervisado, mientras que el agrupamiento es un tipo de algoritmo no supervisado.

Cuando la variable de salida es continua, entonces es un problema de regresión, mientras que cuando contiene valores discretos, es un problema de clasificación. Los algoritmos de agrupamiento generalmente se usan cuando necesitamos crear los clústeres en función de las características de los puntos de datos. Este artículo se centra en dar una breve introducción a la agrupación, clasificación y enumerar algunas diferencias entre los dos.

Clasificación

La clasificación es un tipo de algoritmo de aprendizaje automático supervisado. Para cualquier entrada dada, los algoritmos de clasificación ayudan en la predicción de la clase de la variable de salida. Puede haber varios tipos de clasificaciones, como clasificación binaria, clasificación de clases múltiples, etc. Depende del número de clases en la variable de salida.

Tipos de algoritmos de clasificación

Regresión logística : – Es uno de los modelos lineales que se pueden utilizar para la clasificación. Utiliza la función sigmoidea para calcular la probabilidad de que ocurra un determinado evento. Es un método ideal para la clasificación de variables binarias.

K-vecinos más cercanos (kNN) : – Utiliza métricas de distancia como la distancia euclidiana, la distancia de Manhattan, etc. para calcular la distancia de un punto de datos de cualquier otro punto de datos. Para clasificar la salida, se necesita un voto mayoritario de k vecinos más cercanos de cada punto de datos.

Árboles de decisión : – Es un modelo no lineal que supera algunos de los inconvenientes de los algoritmos lineales como la regresión logística. Construye el modelo de clasificación en forma de estructura de árbol que incluye nodos y hojas. Este algoritmo involucra múltiples sentencias if-else que ayudan a descomponer la estructura en estructuras más pequeñas y finalmente proporcionan el resultado final. Se puede utilizar para problemas de regresión y de clasificación.

Random Forest : – Es un método de aprendizaje conjunto que involucra múltiples árboles de decisión para predecir el resultado de la variable objetivo. Cada árbol de decisión proporciona su propio resultado. En el caso del problema de clasificación, se necesita el voto mayoritario de estos árboles de decisión múltiple para clasificar el resultado final. En el caso del problema de regresión, se toma el promedio de los valores predichos por los árboles de decisión.

Naive Bayes : – Es un algoritmo que se basa en el teorema de Bayes. Asume que cualquier característica particular es independiente de la inclusión de otras características. es decir, no están correlacionados entre sí. Por lo general, no funciona bien con datos complejos debido a esta suposición, ya que en la mayoría de los conjuntos de datos existe algún tipo de relación entre las características.

Support Vector Machine : – Representa los puntos de datos en un espacio multidimensional. Estos puntos de datos luego se segregan en clases con la ayuda de hiperplanos. Traza un espacio n-dimensional para el número n de características en el conjunto de datos y luego intenta crear los hiperplanos de modo que divide los puntos de datos con el margen máximo.

Leer: Ejemplos comunes de minería de datos.

Aplicaciones

• Detección de correo no deseado.
• Reconocimiento facial.
• Identificar si el cliente abandonará o no.
• Aprobación de préstamo bancario.

Agrupación

La agrupación en clústeres es un tipo de algoritmo de aprendizaje automático no supervisado. Se utiliza para agrupar puntos de datos que tienen características similares a los clústeres. Idealmente, los puntos de datos en el mismo grupo deberían exhibir propiedades similares y los puntos en diferentes grupos deberían ser tan diferentes como sea posible.

El agrupamiento se divide en dos grupos: agrupamiento duro y agrupamiento suave. En el agrupamiento duro, el punto de datos se asigna solo a uno de los agrupamientos, mientras que en el agrupamiento suave, proporciona una probabilidad de que un punto de datos esté en cada uno de los agrupamientos.

Tipos de algoritmos de agrupamiento

Agrupación de K-Means : – Inicializa un número predefinido de k agrupaciones y utiliza métricas de distancia para calcular la distancia de cada punto de datos desde el centroide de cada agrupamiento. Asigna los puntos de datos en uno de los k grupos en función de su distancia.

Agrupación jerárquica aglomerativa (enfoque de abajo hacia arriba) : – Considera cada punto de datos como un grupo y fusiona estos puntos de datos sobre la base de la métrica de distancia y el criterio que se utiliza para vincular estos grupos.

Agrupamiento jerárquico divisivo (enfoque de arriba hacia abajo) : – Se inicializa con todos los puntos de datos como un solo grupo y divide estos puntos de datos en función de la métrica de distancia y el criterio. El agrupamiento aglomerativo y divisivo se puede representar como un dendrograma y el número de agrupamientos a seleccionar haciendo referencia al mismo.

DBSCAN (Agrupación espacial de aplicaciones con ruido basada en la densidad) : – Es un método de agrupación en clústeres basado en la densidad. Los algoritmos como K-Means funcionan bien en los grupos que están bastante separados y crean grupos que tienen forma esférica. DBSCAN se usa cuando los datos tienen una forma arbitraria y también es menos sensible a los valores atípicos. Agrupa los puntos de datos que tienen muchos puntos de datos vecinos dentro de un radio determinado.

ÓPTICA (Puntos de pedido para identificar la estructura de agrupamiento) : – Es otro tipo de método de agrupamiento basado en densidad y es similar en proceso a DBSCAN excepto que considera algunos parámetros más. Pero es más complejo computacionalmente que DBSCAN. Además, no separa los puntos de datos en grupos, pero crea un gráfico de accesibilidad que puede ayudar en la interpretación de la creación de grupos.

BIRCH (Reducción iterativa equilibrada y agrupamiento mediante jerarquías) : – Crea clústeres generando un resumen de los datos. Funciona bien con grandes conjuntos de datos, ya que primero resume los datos y luego los usa para crear grupos. Sin embargo, solo puede tratar con atributos numéricos que se pueden representar en el espacio.

Lea también: Algoritmos de minería de datos que debe conocer

Aplicaciones

• Segmentación de la base de consumidores en el mercado.
• Análisis de Red Social.
• Segmentación de imagen.
• Sistemas de recomendación.

Diferencia entre agrupamiento y clasificación

1. Tipo : – La agrupación es un método de aprendizaje no supervisado, mientras que la clasificación es un método de aprendizaje supervisado.
2. Proceso : – En el agrupamiento, los puntos de datos se agrupan como grupos en función de sus similitudes. La clasificación implica clasificar los datos de entrada como una de las etiquetas de clase de la variable de salida.
3. Predicción : – La clasificación implica la predicción de la variable de entrada basada en la construcción del modelo. El agrupamiento generalmente se usa para analizar los datos y extraer inferencias de ellos para una mejor toma de decisiones.
4. División de datos : los algoritmos de clasificación necesitan que los datos se dividan como datos de entrenamiento y prueba para predecir y evaluar el modelo. Los algoritmos de agrupamiento no necesitan la división de datos para su uso.
5. Etiqueta de datos : los algoritmos de clasificación se ocupan de los datos etiquetados, mientras que los algoritmos de agrupación se ocupan de los datos no etiquetados.
6. Etapas : – El proceso de clasificación consta de dos etapas: Entrenamiento y Pruebas. El proceso de agrupamiento implica solo la agrupación de datos.
7. Complejidad : – Como la clasificación se ocupa de un mayor número de etapas, la complejidad de los algoritmos de clasificación es mayor que la de los algoritmos de agrupamiento cuyo objetivo es únicamente agrupar los datos.

Conclusión

La metodología de clasificación y agrupación es diferente, y el resultado esperado de sus algoritmos también difiere. En pocas palabras, tanto la clasificación como el agrupamiento se utilizan para abordar diferentes problemas. Este artículo proporcionó una breve introducción a la clasificación y el agrupamiento.

También leemos un poco sobre los diferentes tipos de algoritmos utilizados en cada caso junto con algunas aplicaciones. Los algoritmos enumerados en este artículo no son exhaustivos. es decir, no es una lista completa y existen muchos otros algoritmos que se pueden utilizar para abordar este tipo de problemas.

Si tiene curiosidad por aprender ciencia de datos, consulte nuestro Diploma PG en ciencia de datos, creado para profesionales que trabajan y ofrece más de 10 estudios de casos y proyectos, talleres prácticos, tutoría con expertos de la industria, 1 a 1 con la industria. mentores, más de 400 horas de aprendizaje y asistencia laboral con las mejores empresas.