Main Content

La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

Análisis de clusters y detección de anomalías

Técnicas de aprendizaje no supervisado para hallar grupos naturales, patrones y anomalías en los datos

Los análisis de clusters, también denominados análisis de segmentación o análisis taxonómico, dividen los datos de muestra en grupos o clusters. Los clusters se forman de manera tal que los objetos del mismo cluster son similares y los de clusters diferentes son distintos. Statistics and Machine Learning Toolbox™ proporciona varias técnicas de formación de clusters y medidas de similitud (también denominadas métricas de distancia) para crear los clusters. Además, la evaluación de clusters determina el número óptimo de clusters en función de los datos mediante distintos criterios de evaluación. Las opciones para la visualización de clusters incluyen dendrogramas y gráficas de siluetas.

La detección de anomalías es una rama del machine learning que identifica observaciones que se desvían de un patrón o distribución esperados en datos de muestra. Statistics and Machine Learning Toolbox ofrece varias técnicas de detección de valores atípicos y novedades (consulte Unsupervised Anomaly Detection), así como métodos adicionales para detectar anomalías en los datos de transmisión (consulte Incremental Anomaly Detection Overview).

Aspectos básicos del análisis de clusters

Click to go to the example, Cluster Gaussian Mixture Data Using Hard Clustering

Categorías

Ejemplos destacados