Índice de Davies-Bouldin: N/A
Coeficiente de Silueta: N/A
Índice de Calinski-Harabasz: N/A
Algoritmo: N/A
Descripción: N/A
Parámetros Relevantes: N/A
El clustering es una técnica de aprendizaje no supervisado que agrupa puntos de datos similares en grupos o "clusters". El objetivo es encontrar patrones inherentes en los datos, sin necesidad de etiquetas predefinidas.
K-Means: Es un algoritmo iterativo que asigna cada punto al clúster cuyo centroide (media) es el más cercano. El algoritmo busca minimizar la varianza dentro de los clústeres.
DBSCAN (Density-Based Spatial Clustering of Applications with Noise): Agrupa puntos que están muy juntos (puntos con muchos vecinos cercanos), marcando como valores atípicos los puntos que se encuentran solos en regiones de baja densidad.
Agrupamiento Jerárquico: Construye una jerarquía de clústeres. Puede ser aglomerativo (comenzando con cada punto en su propio clúster y fusionando clústeres) o divisivo (comenzando con todos los puntos en un solo clúster y dividiéndolo).
La elección del algoritmo, la métrica de distancia y la normalización de los datos puede afectar significativamente los resultados del clustering. La visualización interactiva permite explorar estas opciones y comprender su impacto.