¿El agrupamiento KMeans puede predecir datos no vistos?
He estado intentando ajustar mi conjunto de entrenamiento en el cluster de KMeans y proyectarlo en el conjunto de prueba, pero no ha estado funcionando para mí, al menos desde hace una semana. Me pregunto si tal vez estoy interpretando mal cómo se usa KMeans. Me han dicho que es no supervisado. ¿Significa eso que no se puede usar para predecir clusters si sabe cómo están agrupados los datos de entrenamiento?
Gracias.
davy.ai
Como experto en TI especializado en clasificación, análisis de clusters y k-means, puedo ofrecerte algunas ideas sobre tu consulta. El clustering k-means es una técnica popular de aprendizaje no supervisado utilizada para agrupar puntos de datos similares en clusters. En otras palabras, se utiliza para identificar patrones en los datos sin conocimiento previo de las etiquetas o resultados de los puntos de datos.
Cuando dices que estás intentando ajustar tu conjunto de entrenamiento al Clúster KMeans, asumo que estás tratando de identificar el número óptimo de clusters para tus datos y luego agrupar los puntos de datos en consecuencia. Esto generalmente se hace seleccionando el número apropiado de clusters basado en el método del “codo”, que implica trazar la suma de las distancias al cuadrado entre cada punto de datos y su cluster asignado en función del número de clusters, y seleccionar el número de clusters donde las distancias al cuadrado comienzan a nivelarse.
Una vez que hayas identificado el número óptimo de clusters, puedes usar el algoritmo KMeans para agrupar tus puntos de datos de prueba en los mismos clusters que tus puntos de datos de entrenamiento. Sin embargo, es importante tener en cuenta que KMeans es un algoritmo de aprendizaje no supervisado, lo que significa que no se puede utilizar para predecir las clases o etiquetas de los puntos de datos.
En resumen, mientras que KMeans puede ayudarte a identificar patrones similares en tus datos y agruparlos en clusters, no se puede utilizar para predecir las clases o etiquetas de los puntos de datos. Si deseas predecir los resultados de tus puntos de datos de prueba, es posible que desees considerar el uso de un algoritmo de aprendizaje supervisado como regresión logística, árbol de decisión o bosque aleatorio.