Análisis clúster

En estadística, una técnica multivariante que agrupa observaciones en clústeres (conglomerados) de tal manera que las observaciones dentro de un mismo clúster son similares entre sí y diferentes de las observaciones en otros clústeres.

Esta técnica se utiliza principalmente para clasificación exploratoria y para descubrir estructuras ocultas en los datos sin necesidad de etiquetas predefinidas. También es una técnica popular en machine learning para aprendizaje no supervisado.

• identificación de grupos naturales (encontrar grupos homogéneos dentro de los datos)
• reducción de la complejidad de los datos (simplificar grandes conjuntos de datos)
• exploración de patrones (descubrir relaciones y patrones ocultos)
• validación de hipótesis (confirmar si los datos tienen estructuras grupales previamente esperadas)

1. Selección de las variables

   • Elegir las variables que mejor representen el fenómeno que se desea analizar.

2. Normalización de los datos

   • Escalar los datos para evitar que variables con grandes magnitudes dominen el análisis.

3. Cálculo de la matriz de distancias

   • Medir la similitud o disimilitud entre las observaciones.

   • Métodos comunes incluyen distancia euclidiana, distancia de Manhattan y distancia de Mahalanobis.

4. Elección del método de agrupación

   • Puede ser agrupación jerárquica o agrupación no jerárquica.

5. Determinación del número óptimo de conglomerados

   • Usando técnicas como el método del codo, silhouette score o ANOVA.

6. Interpretación y validación de los resultados

   • Evaluar si los conglomerados obtenidos tienen sentido práctico y son estables.