CursosEmpresasBlogLiveConfPrecios

¿Cuándo usar K-means?

Clase 6 de 27 • Curso de Clustering con Python y scikit-learn

Clase anteriorSiguiente clase

Contenido del curso

Fundamentos de clustering

  • 1
    ¿Qué es el clustering en machine learning?

    ¿Qué es el clustering en machine learning?

    04:01 min
  • 2
    Tu primer clustering con scikit-learn

    Tu primer clustering con scikit-learn

    16:57 min
  • 3
    ¿Cuándo usar clustering?

    ¿Cuándo usar clustering?

    05:00 min
  • 4
    ¿Cómo evaluar modelos de clustering?

    ¿Cómo evaluar modelos de clustering?

    12:00 min

K-means

  • 5
    ¿Qué es el algoritmo de K-means y cómo funciona?

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

    07:30 min
  • 6
    ¿Cuándo usar K-means?

    ¿Cuándo usar K-means?

    Viendo ahora
  • 7
    Implementando K-means

    Implementando K-means

    14:08 min
  • 8
    Encontrando K

    Encontrando K

    13:06 min
  • 9
    Evaluando resultados de K-means

    Evaluando resultados de K-means

    04:21 min

Hierarchical clustering

  • 10
    ¿Qué es hierarchical clustering y cómo funciona?

    ¿Qué es hierarchical clustering y cómo funciona?

    04:56 min
  • 11
    ¿Cuándo usar hierarchical clustering?

    ¿Cuándo usar hierarchical clustering?

    02:07 min
  • 12
    Implementando hierarchical clustering

    Implementando hierarchical clustering

    09:40 min
  • 13
    Evaluando resultados de hierarchical clustering

    Evaluando resultados de hierarchical clustering

    06:44 min

DBSCAN

  • 14
    ¿Qué es DBSCAN y cómo funciona?

    ¿Qué es DBSCAN y cómo funciona?

    08:27 min
  • 15
    ¿Cuándo usar DBSCAN?

    ¿Cuándo usar DBSCAN?

    02:28 min
  • 16
    Implementando DBSCAN

    Implementando DBSCAN

    09:11 min
  • 17
    Encontrar híper-parámetros

    Encontrar híper-parámetros

    14:33 min
  • 18
    Evaluando resultados de DBSCAN

    Evaluando resultados de DBSCAN

    07:35 min

Proyecto: resolviendo un problema con clustering

  • 19
    Preparar datos para clusterizar

    Preparar datos para clusterizar

    13:30 min
  • 20
    Aplicando PCA para clustering

    Aplicando PCA para clustering

    12:08 min
  • 21
    Resolviendo con K-means

    Resolviendo con K-means

    09:24 min
  • 22
    Resolviendo con hierarchical clustering

    Resolviendo con hierarchical clustering

    07:12 min
  • 23
    Resolviendo con DBSCAN

    Resolviendo con DBSCAN

    17:25 min
  • 24
    Resolviendo con DBSCAN (sin PCA)

    Resolviendo con DBSCAN (sin PCA)

    05:24 min
  • 25
    Evaluación resultados de distintos modelos de clustering

    Evaluación resultados de distintos modelos de clustering

    10:47 min

Conclusiones

  • 26
    Proyecto final y cierre

    Proyecto final y cierre

    02:32 min
  • 27

    Comparte tu proyecto de segmentación con clustering y certifícate

    Julián Cárdenas

    Julián Cárdenas

    student•
    hace 2 años

    Los "datos esféricos" son un término que se utiliza en el contexto de la estadística y el análisis de datos para referirse a datos que se distribuyen en una forma similar a una esfera o una hiperesfera en un espacio multidimensional. En otras palabras, los datos esféricos tienden a estar distribuidos de manera uniforme en todas las direcciones desde un punto central.

    • Este tipo de distribución de datos es común en ciertas aplicaciones, como la modelización de datos geoespaciales en la superficie terrestre o en astronomía, donde las observaciones pueden estar distribuidas de manera uniforme en todas las direcciones desde una ubicación central, como el centro de la Tierra o una estrella.
    Camilo Corredor

    Camilo Corredor

    student•
    hace 3 años

    ¿A qué se refiere con datos esféricos?

      Alarcon7a

      Alarcon7a

      student•
      hace 3 años

      Que al graficarlos tomen esa forma

      Juan Manuel Betancur

      Juan Manuel Betancur

      student•
      hace 8 meses

      Que cuando ves la distribución de tus datos tiene un comportamiento similar a este

    EDUARDO FLORES

    EDUARDO FLORES

    student•
    hace 2 años

    Seria importante mencionar si el algoritmo K-means funciona solo con variables continuas o también funciona con variables categoricas.

      Leandro Tenjo

      Leandro Tenjo

      student•
      hace 2 años

      Debido a que se basa en distancias, entiendo que, solo puede aplicarse a datos numéricos. … Sin embargo aquí hay un trabajo interesante sobre una posible aplicación en datos categóricos:

      https://oa.upm.es/57968/1/TFG_LUIS_VILLA_PEREZ.pdf

    Gerardo Mayel Fernández Alamilla

    Gerardo Mayel Fernández Alamilla

    student•
    hace 2 años

    Los datos de forma esférica se refieren a conjuntos de datos cuya distribución en el espacio de características se asemeja a la forma de esferas o círculos. En otras palabras, los grupos (clusters) de datos están distribuidos de tal manera que si trazas una línea alrededor del borde exterior de cada grupo, la forma resultante sería un círculo (en dos dimensiones) o una esfera (en tres o más dimensiones)

    Ronald Andrey Beltran Parada

    Ronald Andrey Beltran Parada

    student•
    hace 4 meses

    Jaja siii tenia la pregunta de Formas esfericas

    Mario Alexander Vargas Celis

    Mario Alexander Vargas Celis

    student•
    hace 4 meses

    K-means es un algoritmo de aprendizaje no supervisado usado principalmente para clustering (agrupamiento). Es útil cuando se desea agrupar elementos en subconjuntos similares sin etiquetas previas.

    📌 Cuándo usar K-means:

    1. Cuando no hay etiquetas (unsupervised learning): Tienes datos sin categorías asignadas y deseas encontrar patrones naturales en ellos.
    2. Cuando esperas grupos esféricos y bien separados: K-means funciona mejor cuando los clusters tienen forma circular o esférica (por la forma como calcula distancias).
    3. Cuando conoces o puedes estimar el número de clusters (k): Es necesario definir cuántos grupos esperas obtener.
    4. Cuando los datos no tienen muchos outliers: K-means es sensible a valores atípicos porque usa medias para agrupar.
    5. Para segmentación de clientes, compresión de imágenes, detección de patrones, etc.

    ❌ No se recomienda K-means cuando:

    • Los clusters tienen formas irregulares o distintos tamaños.
    • Hay muchos valores atípicos.
    • No tienes idea del número adecuado de grupos (aunque puedes usar métodos como el codo/elbow para estimarlo).
    Jason Loaiza

    Jason Loaiza

    student•
    hace 3 años

    Una pregunta, ¿Cuál podría ser un ejemplo de datos no esféricos? Gracias!!

      Romel Manrique

      Romel Manrique

      student•
      hace 3 años

      Espero que esta imagen te sea de ayuda.

      spheeric.png

      Usualmente el "radio" de estos datos esféricos es la variación estándar que es usas en el parámetro cluster_std en la función ´make_blobs´ de scikit learn.

      Carlos Mazzaroli

      Carlos Mazzaroli

      student•
      hace 3 años

      Este es con forma de dinosaurio

    Percy Tejada

    Percy Tejada

    student•
    hace 5 meses

    ✅ Ventajas

    • Simple y rápido: es eficiente incluso en grandes volúmenes de datos.
    • Fácil de interpretar: los resultados pueden visualizarse con gráficos.
    • Convergencia garantizada: siempre terminará agrupando los datos al estabilizar los centroides.
    • Escalable: se adapta fácilmente a nuevos datos sin rehacer todo el modelo.

    ❌ Desventajas

    • No replicable: los centroides iniciales son aleatorios, por lo que puede dar diferentes resultados si no se fija una semilla.
    • Sensible a outliers: los valores atípicos (datos muy alejados del resto) pueden distorsionar los centroides.
    • Forma esférica: funciona mejor cuando los grupos tienen forma redonda y están bien separados entre sí.
    • K manual: debes indicar cuántos clusters deseas (el algoritmo no lo determina solo).
    • Alta dimensionalidad: con muchos atributos (columnas), el rendimiento puede empeorar y la agrupación pierde precisión, ya que las distancias dejan de ser significativas.

    📌 Úsalo cuando:

    • Ya conoces el número de grupos que quieres (K).
    • Necesitas resultados rápidos y fáciles de interpretar.
    • Tus datos tienen grupos con forma más o menos circular.
    • Planeas añadir más datos en el futuro (escalabilidad).
    Juan José Mamani Tarqui

    Juan José Mamani Tarqui

    student•
    hace 2 años

    Necesariamente no se tiene que elegir k manualmente, para esto se podria emplear the <u>elbow method</u>

Escuelas

  • Desarrollo Web
    • Fundamentos del Desarrollo Web Profesional
    • Diseño y Desarrollo Frontend
    • Desarrollo Frontend con JavaScript
    • Desarrollo Frontend con Vue.js
    • Desarrollo Frontend con Angular
    • Desarrollo Frontend con React.js
    • Desarrollo Backend con Node.js
    • Desarrollo Backend con Python
    • Desarrollo Backend con Java
    • Desarrollo Backend con PHP
    • Desarrollo Backend con Ruby
    • Bases de Datos para Web
    • Seguridad Web & API
    • Testing Automatizado y QA para Web
    • Arquitecturas Web Modernas y Escalabilidad
    • DevOps y Cloud para Desarrolladores Web
  • English Academy
    • Inglés Básico A1
    • Inglés Básico A2
    • Inglés Intermedio B1
    • Inglés Intermedio Alto B2
    • Inglés Avanzado C1
    • Inglés para Propósitos Específicos
    • Inglés de Negocios
  • Marketing Digital
    • Fundamentos de Marketing Digital
    • Marketing de Contenidos y Redacción Persuasiva
    • SEO y Posicionamiento Web
    • Social Media Marketing y Community Management
    • Publicidad Digital y Paid Media
    • Analítica Digital y Optimización (CRO)
    • Estrategia de Marketing y Growth
    • Marketing de Marca y Comunicación Estratégica
    • Marketing para E-commerce
    • Marketing B2B
    • Inteligencia Artificial Aplicada al Marketing
    • Automatización del Marketing
    • Marca Personal y Marketing Freelance
    • Ventas y Experiencia del Cliente
    • Creación de Contenido para Redes Sociales
  • Inteligencia Artificial y Data Science
    • Fundamentos de Data Science y AI
    • Análisis y Visualización de Datos
    • Machine Learning y Deep Learning
    • Data Engineer
    • Inteligencia Artificial para la Productividad
    • Desarrollo de Aplicaciones con IA
    • AI Software Engineer
  • Ciberseguridad
    • Fundamentos de Ciberseguridad
    • Hacking Ético y Pentesting (Red Team)
    • Análisis de Malware e Ingeniería Forense
    • Seguridad Defensiva y Cumplimiento (Blue Team)
    • Ciberseguridad Estratégica
  • Liderazgo y Habilidades Blandas
    • Fundamentos de Habilidades Profesionales
    • Liderazgo y Gestión de Equipos
    • Comunicación Avanzada y Oratoria
    • Negociación y Resolución de Conflictos
    • Inteligencia Emocional y Autogestión
    • Productividad y Herramientas Digitales
    • Gestión de Proyectos y Metodologías Ágiles
    • Desarrollo de Carrera y Marca Personal
    • Diversidad, Inclusión y Entorno Laboral Saludable
    • Filosofía y Estrategia para Líderes
  • Diseño de Producto y UX
    • Fundamentos de Diseño UX/UI
    • Investigación de Usuarios (UX Research)
    • Arquitectura de Información y Usabilidad
    • Diseño de Interfaces y Prototipado (UI Design)
    • Sistemas de Diseño y DesignOps
    • Redacción UX (UX Writing)
    • Creatividad e Innovación en Diseño
    • Diseño Accesible e Inclusivo
    • Diseño Asistido por Inteligencia Artificial
    • Gestión de Producto y Liderazgo en Diseño
    • Diseño de Interacciones Emergentes (VUI/VR)
    • Desarrollo Web para Diseñadores
    • Diseño y Prototipado No-Code
  • Contenido Audiovisual
    • Fundamentos de Producción Audiovisual
    • Producción de Video para Plataformas Digitales
    • Producción de Audio y Podcast
    • Fotografía y Diseño Gráfico para Contenido Digital
    • Motion Graphics y Animación
    • Contenido Interactivo y Realidad Aumentada
    • Estrategia, Marketing y Monetización de Contenidos
  • Desarrollo Móvil
    • Fundamentos de Desarrollo Móvil
    • Desarrollo Nativo Android con Kotlin
    • Desarrollo Nativo iOS con Swift
    • Desarrollo Multiplataforma con React Native
    • Desarrollo Multiplataforma con Flutter
    • Arquitectura y Patrones de Diseño Móvil
    • Integración de APIs y Persistencia Móvil
    • Testing y Despliegue en Móvil
    • Diseño UX/UI para Móviles
  • Diseño Gráfico y Arte Digital
    • Fundamentos del Diseño Gráfico y Digital
    • Diseño de Identidad Visual y Branding
    • Ilustración Digital y Arte Conceptual
    • Diseño Editorial y de Empaques
    • Motion Graphics y Animación 3D
    • Diseño Gráfico Asistido por Inteligencia Artificial
    • Creatividad e Innovación en Diseño
  • Programación
    • Fundamentos de Programación e Ingeniería de Software
    • Herramientas de IA para el trabajo
    • Matemáticas para Programación
    • Programación con Python
    • Programación con JavaScript
    • Programación con TypeScript
    • Programación Orientada a Objetos con Java
    • Desarrollo con C# y .NET
    • Programación con PHP
    • Programación con Go y Rust
    • Programación Móvil con Swift y Kotlin
    • Programación con C y C++
    • Administración Básica de Servidores Linux
  • Negocios
    • Fundamentos de Negocios y Emprendimiento
    • Estrategia y Crecimiento Empresarial
    • Finanzas Personales y Corporativas
    • Inversión en Mercados Financieros
    • Ventas, CRM y Experiencia del Cliente
    • Operaciones, Logística y E-commerce
    • Gestión de Proyectos y Metodologías Ágiles
    • Aspectos Legales y Cumplimiento
    • Habilidades Directivas y Crecimiento Profesional
    • Diversidad e Inclusión en el Entorno Laboral
    • Herramientas Digitales y Automatización para Negocios
  • Blockchain y Web3
    • Fundamentos de Blockchain y Web3
    • Desarrollo de Smart Contracts y dApps
    • Finanzas Descentralizadas (DeFi)
    • NFTs y Economía de Creadores
    • Seguridad Blockchain
    • Ecosistemas Blockchain Alternativos (No-EVM)
    • Producto, Marketing y Legal en Web3
  • Recursos Humanos
    • Fundamentos y Cultura Organizacional en RRHH
    • Atracción y Selección de Talento
    • Cultura y Employee Experience
    • Gestión y Desarrollo de Talento
    • Desarrollo y Evaluación de Liderazgo
    • Diversidad, Equidad e Inclusión
    • AI y Automatización en Recursos Humanos
    • Tecnología y Automatización en RRHH
  • Finanzas e Inversiones
    • Fundamentos de Finanzas Personales y Corporativas
    • Análisis y Valoración Financiera
    • Inversión y Mercados de Capitales
    • Finanzas Descentralizadas (DeFi) y Criptoactivos
    • Finanzas y Estrategia para Startups
    • Inteligencia Artificial Aplicada a Finanzas
    • Domina Excel
    • Financial Analyst
    • Conseguir trabajo en Finanzas e Inversiones
  • Startups
    • Fundamentos y Validación de Ideas
    • Estrategia de Negocio y Product-Market Fit
    • Desarrollo de Producto y Operaciones Lean
    • Finanzas, Legal y Fundraising
    • Marketing, Ventas y Growth para Startups
    • Cultura, Talento y Liderazgo
    • Finanzas y Operaciones en Ecommerce
    • Startups Web3 y Blockchain
    • Startups con Impacto Social
    • Expansión y Ecosistema Startup
  • Cloud Computing y DevOps
    • Fundamentos de Cloud y DevOps
    • Administración de Servidores Linux
    • Contenerización y Orquestación
    • Infraestructura como Código (IaC) y CI/CD
    • Amazon Web Services
    • Microsoft Azure
    • Serverless y Observabilidad
    • Certificaciones Cloud (Preparación)
    • Plataforma Cloud GCP

Platzi y comunidad

  • Platzi Business
  • Live Classes
  • Lanzamientos
  • Executive Program
  • Trabaja con nosotros
  • Podcast

Recursos

  • Manual de Marca

Soporte

  • Preguntas Frecuentes
  • Contáctanos

Legal

  • Términos y Condiciones
  • Privacidad
  • Tyc promociones
Reconocimientos
Reconocimientos
Logo reconocimientoTop 40 Mejores EdTech del mundo · 2024
Logo reconocimientoPrimera Startup Latina admitida en YC · 2014
Logo reconocimientoPrimera Startup EdTech · 2018
Logo reconocimientoCEO Ganador Medalla por la Educación T4 & HP · 2024
Logo reconocimientoCEO Mejor Emprendedor del año · 2024
De LATAM conpara el mundo
YoutubeInstagramLinkedInTikTokFacebookX (Twitter)Threads