Tecnológico​ ​de​ ​Costa​ ​Rica​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​Gabriel​ ​Sánchez​ ​ ​ ​201218308
Introducción​ ​Reconocimiento​ ​de​ ​Patrones​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​Javier​ ​ ​ ​Sancho​ ​ ​ ​ ​ ​2014159997
Criterio​ ​de​ ​Evaluación:
Debido a evaluación del
rendimiento de un algoritmo de
agrupamiento no se puede basar
únicamente en el número de errores o la
precisión y la recuperación de un
algoritmo de clasificación supervisado, lo
esperado es que las métricas de
evaluación no deben tomar en cuenta los
valores absolutos de las etiquetas del
clúster, sino definir separaciones de los
datos similares a un conjunto de clases
fundamental o satisfaciendo algunas
suposiciones modo que un miembro
puede pertenecera un grupo bajo cierta
métrica​ ​y​ ​a​ ​otro​ ​si​ ​esta​ ​cambia.
Ajuste de Rango de Índice: dada una
clusterización tomada como verdadera,
este criterio compara la similitud entre la
asignación mencionada y comparar que
tanto se parece esta a la asignación
realizada por el algoritmo de clustering, se
ignoran las permutaciones y se puede
normalizar
Puntajes basados en la información
mutua: ​es una función que mide la
concordancia entre las dos asignaciones
al igual que el caso anterior e ignorando
las​ ​permutaciones.
● Información mutua normalizada
(NMI) se usa a menudo en la
literatur
● Información mutua ajustada (AMI).
Reciente, se normaliza en contra
del​ ​azar
Homogeneidad, integridad y V-medida:
dado el conocimiento de las asignaciones
de clase es posible definir alguna métrica
intuitiva usando el análisis de entropía
condicional con dos objetivos deseables
para​ ​cualquier​ ​asignación​ ​de​ ​clúster:
● homogeneidad​: cada
contiene solo miembros de una
sola​ ​clase.
● Completitud​: todos los miembros
de una clase determinada se
asignan​ ​al​ ​mismo​ ​clúster.
Índice Fowlkes-Mallows: si se conocen
las asignaciones de clase de verdad se
define como la media geométrica de la
precisión​ ​y​ ​recuerdo​ ​pairwise
● FP es el número de falso positivo:
puntos que pertenecen a los
mismos clústeres en las etiquetas
verdaderas y no en las etiquetas
predichas)​ ​y
● FN es el número de False
Negative (es decir, el número de
pares de puntos que pertenece a
los mismos clústeres en las
etiquetas predichas y no en las
etiquetas​ ​verdaderas).
Coeficiente de silueta si no se conocen
las etiquetas de verdad, la evaluación
debe realizarse utilizando el modelo
mismo donde puntaje de coeficiente de
silueta más alto se relaciona con un
modelo con conglomerados mejor
definidos.
Calinski-Harabaz​ ​Index
Si no se conocen las etiquetas de verdad,
esta métrica asigna la puntuación más
alta de Calinski-Harabaza un modelo con
conglomerados mejor definidos, para los
clústeres se da como la relación de la
media de dispersión entre clústeres y la
dispersión​ ​dentro​ ​del​ ​clúster.
Modo​ ​de​ ​inicialización:
k-means++: ​Selecciona un centroide
aleatoriamente en primera instancia, el
siguiente centroide seleccionado se elige
basado en una probabilidad de pesos, se
elige el que este mas largo del centroide
grupo actual seleccionado. La selección
continúa hasta que se obtengan los
Tecnológico​ ​de​ ​Costa​ ​Rica​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​Gabriel​ ​Sánchez​ ​ ​ ​201218308
Introducción​ ​Reconocimiento​ ​de​ ​Patrones​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​Javier​ ​ ​ ​Sancho​ ​ ​ ​ ​ ​2014159997

k-centroides. Incrementa la velocidad de

convergencia.

random: ​Se eligen k puntos de manera

aleatoria de los datos presentes para
obtener los centroides iniciales. Los
centroides elegidos aleatoriamente se
pueden obtener por medio de semillas o
simplemente​ ​omitir​ ​estas.

PCA-Based: ​Por medio de la reducción

de dimensiones con ayuda de PCA se
disminuye el problema de las distancias
euclidianas aumentando la velocidad de
computación. Es pasado un vector de n
dimensiones de la forma (k Clusters, n
Features) y retorna los centroides
iniciales.