¿Cuándo usar DBSCAN? - Platzi

Curso de Clustering con Python y scikit-learn

Curso de Clustering con Python y scikit-learn

Fundamentos de clustering

¿Qué es el clustering en machine learning?

Tu primer clustering con scikit-learn

¿Cuándo usar clustering?

¿Cómo evaluar modelos de clustering?

K-means

¿Qué es el algoritmo de K-means y cómo funciona?

¿Cuándo usar K-means?

Implementando K-means

Encontrando K

Evaluando resultados de K-means

Hierarchical clustering

¿Qué es hierarchical clustering y cómo funciona?

¿Cuándo usar hierarchical clustering?

Implementando hierarchical clustering

Evaluando resultados de hierarchical clustering

DBSCAN

¿Qué es DBSCAN y cómo funciona?

¿Cuándo usar DBSCAN?

Implementando DBSCAN

Encontrar híper-parámetros

Evaluando resultados de DBSCAN

Proyecto: resolviendo un problema con clustering

Preparar datos para clusterizar

Aplicando PCA para clustering

Resolviendo con K-means

Resolviendo con hierarchical clustering

Resolviendo con DBSCAN

Resolviendo con DBSCAN (sin PCA)

Evaluación resultados de distintos modelos de clustering

Conclusiones

Proyecto final y cierre

Comparte tu proyecto de segmentación con clustering y certifícate

You don't have access to this class

Keep learning! Join and start boosting your career

If you already have an account,

Resources

Contributions 4

Questions 1

Sort by:

Want to see more contributions, questions and answers from the community?

Elias Dudamel

Me parece que con la ventaja de detectar outliers, se tiene una herramienta más para detectar outliers cuando aplicamos EDA.

Lo sumamos a:

Al rango intercualtil.
Estandización Z-score, donde los puntos más allá de +/- 3 desvíos se consideran outliers.

Julián Cárdenas

De los 3 modelos vistos hasta el momento DBSCAN con su detección de outliers y el manejo de estos me parece bueno cuando no se hace una eliminación de los datos atípicos y solo se quiere conocer la clausterización de manera rápida.

Octavio De Paula

Es un modelo bastante diferente a los demas, lo que hace que sumarlo al aprendizaje sea excelente!

Jhoan Sebastian Vivas Vanegas

\*\*DBSCAN\*\* es un algoritmo de clustering muy versátil y se puede utilizar en una variedad de situaciones. Aquí tienes algunas recomendaciones sobre cuándo usar DBSCAN: \### Cuándo Usar DBSCAN 1\. \*\*Cuando No Conoces el Número de Clusters\*\*: \- A diferencia de K-Means, que requiere que especifiques el número de clusters por adelantado, DBSCAN determina automáticamente el número de clusters basado en la densidad de los datos. 2\. \*\*Datos con Formas Irregulares\*\*: \- DBSCAN es capaz de identificar clusters de formas arbitrarias. Es ideal para conjuntos de datos donde los clusters no son esféricos y pueden tener formas complejas. 3\. \*\*Manejo de Ruido\*\*: \- Si tus datos contienen ruido o outliers, DBSCAN es una buena opción. Puede identificar y excluir puntos de ruido, lo que lo hace robusto en presencia de datos ruidosos. 4\. \*\*Densidades Variables\*\*: \- DBSCAN funciona bien cuando la densidad de los datos varía en diferentes regiones del espacio. Puede adaptarse a situaciones en las que algunos clusters son más densos que otros. 5\. \*\*Conjuntos de Datos Grandes\*\*: \- Aunque la complejidad computacional de DBSCAN puede ser mayor en conjuntos de datos extremadamente grandes, generalmente es más eficiente que K-Means en términos de memoria y tiempo de ejecución. 6\. \*\*Segmentación Espacial\*\*: \- Es particularmente útil en aplicaciones de análisis espacial, como segmentación de clientes basada en la ubicación, donde la densidad de puntos puede ser un indicador clave. 7\. \*\*Exploración Inicial de Datos\*\*: \- Si estás explorando datos y quieres identificar patrones y agrupaciones sin tener una hipótesis previa sobre el número de clusters, DBSCAN puede ser útil. \### Ejemplos de Aplicación \- \*\*Análisis de Redes Sociales\*\*: Identificar grupos de usuarios que interactúan entre sí basándose en su actividad. \- \*\*Segmentación de Clientes\*\*: Agrupar a los clientes en base a sus comportamientos de compra, donde los grupos pueden tener diferentes densidades. \- \*\*Clasificación de Imágenes\*\*: Agrupar imágenes similares basándose en características visuales. \- \*\*Detección de Anomalías\*\*: Identificar puntos de datos que son significativamente diferentes del resto de los datos, como fraudes en transacciones financieras. \### Conclusión DBSCAN es una excelente elección cuando se trabaja con conjuntos de datos que presentan ruido, formas de cluster no esféricas y densidades variables. Su capacidad para operar sin necesidad de definir el número de clusters por adelantado lo convierte en una herramienta poderosa para el análisis de datos. Sin embargo, es importante ajustar correctamente los parámetros \*\*epsilon\*\* y \*\*min\_samples\*\* para obtener los mejores resultados.