¿Cuándo usar hierarchical clustering?

Clase 11 de 27 • Curso de Clustering con Python y scikit-learn

Santiago Peña Rodríguez

student•

Ventajas

No necesitas conocer K
Simple
Resultado interpretable
Única ejecución
Ayuda visual con dendograma

Desventajas

Mal performance en datasets largos
Sin objetivo matemático
Los outliers le afectan
Mayor necesidad de cómputo

¿Cuándo usarlo?

Comprender resultados visualmente
Dataset es pequeño
Desconozco el número de clusters
Resultado rápido

Juan R. Vergara M.

student•

Gracias por los 📝 amigo.

Julián Cárdenas

student•

Buen summary, gracias!!!

Rafael Rivera

student•

Como sabemos si nuestro dataset es demasiado grande para este modelo ?

hay algún parámetro para saber esto ?

Juan Acevedo

student•

No hay un dato en específico

que diga cunado si cuando no , normalmente se puede llegar a ver al momento de explorar la cantidad de datos que uno tiene para identificar eso , Sin embargo estuve viendo y el Hierarchical Clustering funciona bien entre 2000- 5000 samples

Mario Alexander Vargas Celis

student•

Usar clustering jerárquico (Hierarchical Clustering) es recomendable en los siguientes escenarios:

✅ CUÁNDO USARLO

1. Cuando no sabes cuántos clusters hay

El dendrograma te permite explorar la estructura y elegir el número de clusters visualmente (cortando el árbol).
Ideal para descubrimiento exploratorio.

2. Cuando quieres una visión jerárquica de los datos

Si te interesa ver relaciones padre-hijo entre grupos (subgrupos dentro de grupos más grandes), este método es ideal.
Ejemplo: taxonomía biológica, estructura de carpetas, segmentación de clientes multinivel.

3. Para datasets pequeños o medianos

Funciona bien con menos de ~1,000-5,000 puntos. Más allá de eso, puede volverse muy lento y demandante en memoria.
Es mejor para análisis en profundidad que para producción a gran escala.

4. Cuando los clusters no son esféricos ni del mismo tamaño

A diferencia de K-means, que asume clusters circulares del mismo tamaño, el clustering jerárquico no impone esa suposición.

5. Cuando necesitas interpretar los resultados

El dendrograma es intuitivo y visualmente explicativo, muy útil en reportes o análisis descriptivos.

❌ CUÁNDO EVITARLO

SituaciónPor qué evitarloDataset muy grandeTiene complejidad O(n³) y memoria O(n²).Necesitas clasificar nuevos datos rápidoNo es incremental ni rápido para nuevos puntos.Tienes muchos outliersPuede generar clusters distorsionados si no hay preprocesamiento.

🔄 Alternativas en esos casos

NecesidadAlternativaEscalabilidadK-means, MiniBatchKMeansDetección de formas arbitrariasDBSCAN, HDBSCANRobustez a ruidoDBSCANClasificación rápida de nuevos datosK-means o modelos supervisados

Luis Ernesto Domínguez Velásquez

student•

Os dejo este algoritmo que no requiere indicarle el # de clusters. El algoritmo MeanShift es un algoritmo de aprendizaje automático no supervisado. Como algoritmo de agrupamiento, su objetivo principal es encontrar grupos o clusters en un conjunto de datos sin requerir etiquetas de categoría previamente definidas. El algoritmo MeanShift busca automáticamente las regiones de alta densidad de puntos en el espacio de características y agrupa los puntos cercanos en clusters. Código:

import pandas as pd

from sklearn.cluster import MeanShift

if name == "main":

dataset = pd.read_csv("./data/iris.csv")
print(dataset.head(5))


X = dataset.drop(['Id', 'Species'], axis=1)
Y = dataset

#implementacion_meanshift
meanshift = MeanShift().fit(X)
print(max(meanshift.labels_))
print("="*64)
print(meanshift.cluster_centers_)

#Asignamos a cada registro el grupo al que pertenece
dataset['meanshift'] = meanshift.labels_
dataset.to_csv('iris1.csv',index=False)
print("="*64)
print(dataset.head())

dataset = pd.read_csv("./data/iris.csv")
print(dataset.head(5))


X = dataset.drop(['Id', 'Species'], axis=1)
Y = dataset

#implementacion_meanshift
meanshift = MeanShift().fit(X)
print(max(meanshift.labels_))
print("="*64)
print(meanshift.cluster_centers_)

#Asignamos a cada registro el grupo al que pertenece
dataset['meanshift'] = meanshift.labels_
dataset.to_csv('iris1.csv',index=False)
print("="*64)
print(dataset.head())

¿Cuándo usar hierarchical clustering?

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