Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Segmentacin (Marketing)
2
Clustering
Introduccin Objetivo
Similitud
Mtodos
Agrupar objetos similares entre s que sean
K-Means distintos a los objetos de otros agrupamientos
Jerrquicos [clusters].
Densidad
Otros
Subspace
Aprendizaje no supervisado
clustering No existen clases predefinidas
Validacin
Maximizar
Minimizar distancia
distancia inter-
intra-cluster cluster
4
Clustering
Aplicaciones
Reconocimiento de formas.
Mapas temticos (GIS)
Marketing: Segmentacin de clientes
Clasificacin de documentos
Anlisis de web logs (patrones de acceso
similares)
Hombres
vs.
Mujeres
6
Clustering
Cul es la forma natural de agrupar los personajes?
Simpsons
vs.
Empleados
de la escuela
de Springfield
7
Clustering
Cul es la forma natural de agrupar los
personajes?
Peter Pedro
0.23 342.7
3 9
Medidas de similitud
Usualmente, se expresan en trminos de distancias:
Cuntos Dos?
agrupamiento
s?
Seis? Cuatro?
11
Medidas de similitud
Atributos continuos
Usualmente, se estandarizan a priori:
s f 1n (| x1 f m f | | x2 f m f | ... | xnf m f |)
xif m f
zif sf 12
Medidas de similitud
Mtricas de distancia
Distancia de Minkowski
Distancia de Manhattan = 12
Distancia Eucldea 8.5
Distancia de Chebyshev = 6 14
Medidas de similitud
Mtricas de distancia
Distancia de Minkowski d(i,j) 0
15
Medidas de similitud
Mtricas de distancia
Distancia de Chebyshev
Tambin conocida
como distancia de
tablero de ajedrez
(chessboard distance):
Nmero de
movimientos
que el rey ha de hacer
para llegar de una
casilla a otra en un
tablero de ajedrez. 16
Medidas de similitud
Mtricas de distancia
Distancia de Mahalanobis
Considera las
correlaciones
entre variables.
No depende de la
escala de medida.
17
Medidas de similitud
Mtricas de distancia
Distancia de edicin = Distancia de
Levenshtein
Aplicaciones:
Aplicaciones Correctores ortogrficos, reconocimiento
de voz, deteccin de plagios, anlisis de ADN
i j i j
4
Cosine similarity
Coeficiente de Tanimoto
21
Medidas de similitud
Modelos basados en Teora de
Conjuntos
Modelo de Tversky
Modelo de Restle
Interseccin
23
Medidas de similitud
Modelos basados en Teora de
Conjuntos
Modelo proporcional
Distancia de Tanimoto
24
Mtodos de agrupamiento
Requisitos del algoritmo perfecto
Escalabilidad
Manejo de distintos tipos de datos
Identificacin de clusters con formas arbitrarias
Nmero mnimo de parmetros
Tolerancia frente a ruido y outliers
Independencia con respecto al orden de
presentacin de los patrones de entrenamiento
Posibilidad de trabajar en espacios con muchas
dimensiones diferentes
Capacidad de incorporar restricciones
especificadas por el usuario (domain
knowledge)
Interpretabilidad / Usabilidad 26
Mtodos de agrupamiento
Tipos de algoritmos de clustering
Clustering jerrquico
BIRCH, ROCK, CHAMELEON
27
Mtodos de agrupamiento
Clustering por particiones
p1
p3 p4
p2
p1 p2 p3 p4
Tradicional DENDOGRAMA
p1
p3 p4
p2
p1 p2 p3 p4
29
No tradicional
Mtodos de agrupamiento
Mtodos basados en densidad
Un cluster en una regin densa de puntos,
separada por regiones poco densas de otras
regiones densas.
tiles cuando los clusters tienen formas
irregulares, estn entrelazados o hay ruido/outliers
en los datos.
30
k-Means
Algoritmo de agrupamiento por particiones
(MacQueen, 1967)
Nmero de clusters conocido (k)
Cada cluster tiene asociado un centroide
(centro geomtrico del cluster).
Los puntos se asignan al cluster cuyo centroide est
ms cerca (utilizando cualquier mtrica de distancia).
Iterativamente, se van actualizando los centroides en
funcin de las asignaciones de puntos a clusters,
hasta que los centroides dejen de cambiar.
Complejidad O(n*k*I*d)
donde n es el nmero de datos, k el nmero de
clusters,
I el nmero de iteraciones y d el nmero de atributos
31
k-Means
Iteration 6
1
2
3
4
5
3
2.5
1.5
y
0.5
2 2 2
1.5
y 1.5 1.5
y
1 1 1
0 0 0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2
x x x
2 2 2
y
1 1 1
0 0 0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2
x x x
33
k-Means
Iteration 5
1
2
3
4
3
2.5
1.5
y
0.5
34
k-Means
Iteration 1 Iteration 2
3 3
2.5 2.5
2 2
1.5 1.5
y
1 1
0.5 0.5
0 0
2 2 2
y
1 1 1
0 0 0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2
x x x
35
k-Means
3
2.5
2
Puntos originales
1.5
y
0.5
3 3
2.5 2.5
2 2
1.5 1.5
y
1 y 1
0.5 0.5
0 0
Centroides iniciales:
A1, A7 y A8
Mtricas de distancia:
Distancia eucldea
Distancia de Manhattan
Distancia de Chebyshev
37
k-Means
Ejercicio resuelto
Distancia eucldea
38
k-Means
Ejercicio resuelto
Distancia eucldea
39
k-Means
Ejercicio resuelto
Distancia eucldea
Tercera iteracin
Configuracin final
40
k-Means
DEMO: K-Means
http://www.elet.polimi.it/upload/matteucc/Clustering/tutorial_html/AppletKM.html
41
k-Means
Ventaja
Eficiencia O(nkId)
vs. PAM O(Ik(n-k)2)
CLARA O(ks2+k(n-k))
Desventajas
Termina en un ptimo local:
El resultado depende de la seleccin inicial de
centroides.
Necesidad de conocer el nmero de agrupamientos k
Incapacidad para detectar ruido / identificar outliers.
No resulta adecuado para detectar clusters no
convexos
Si tenemos datos de tipo categrico,
cmo calculamos la media? 42
k-Means
Clusters de
distinto tamao
Clusters de
distinta densidad
Clusters
no convexos
43
k-Means
Variantes
45
Clustering jerrquico
DENDROGRAMA:
DENDROGRAMA La similitud entre dos objetos
viene dada por la altura del nodo comn ms
cercano. 46
Clustering jerrquico
Outlier
El DENDROGRAMA
tambin nos puede servir para detectar outliers. 48
Clustering jerrquico
0 1 2 3 4
aglomerativo
(AGNES)
a AGglomerative NESting
ab
b abcde
c
cde
d
de
e
divisivo
4 3 2 1 0 (DIANA)
Divisive ANAlysis
MIN
single-link
MAX
complete
linkage
(diameter)
50
Clustering jerrquico
Cmo medir la distancia entre clusters?
Promedio
Centroides
p.ej. BIRCH
51
Clustering jerrquico
Ejercicio
Variantes:
Single-link (mnima distancia entre agrupamientos)
Complete-link (mxima distancia entre agrupamientos)
52
Clustering jerrquico
Ejercicio resuelto
Single-link
Complete-link
53
Clustering jerrquico
DEMO: Algoritmo aglomerativo
http://www.elet.polimi.it/upload/matteucc/Clustering/tutorial_html/AppletH.html
54
Clustering jerrquico
Datos sintticos (4 clusters): Single-link
55
Clustering jerrquico
Datos sintticos (4 clusters): Complete-link
56
Clustering jerrquico
Datos sintticos (aleatorios): Single-link
57
Clustering jerrquico
Datos sintticos (aleatorios): Complete-link
58
Clustering jerrquico
Principal inconveniente del clustering jerrquico:
Algoritmos escalables:
BIRCH: Balanced Iterative Reducing and Clustering using
Hierarchies (Zhang, Ramakrishnan & Livny,
SIGMOD1996)
ROCK: RObust Clustering using linKs
(Guha, Rastogi & Shim, ICDE1999)
CURE: Clustering Using REpresentatives
(Guha, Rastogi & Shim, SIGMOD1998)
CHAMELEON: Hierarchical Clustering Using Dynamic
Modeling (Karypis, Han & Kumar, 1999) 59
Clustering jerrquico
CURE 60
Clustering jerrquico
Agrupamientos
con distintas
densidades
CURE 61
Clustering jerrquico
Particin del grafo
Clusters finales
Combinar
particiones
CHAMELEON 62
Clustering jerrquico
CHAMELEON 63
Density-based Clustering
Criterio de agrupamiento local:
Densidad de puntos
Regin densas de puntos separadas
de otras regiones densas por regiones poco densas
Caractersticas
MinPts = 2
Epsilon
66
Density-based Clustering
Ejercicio resuelto
Distancia eucldea
67
Density-based Clustering
Ejercicio resuelto Epsilon =
68
Density-based Clustering
Ejercicio resuelto Epsilon =
69
Density-based Clustering
DEMO: DBSCAN et al.
http://www.cs.ualberta.ca/~yaling/Cluster/Applet/Code/Cluster.html
70
Density-based Clustering
Clusters
i j i j
4
74
Otros mtodos
Grids multiresolucin
STING, a STatistical INformation Grid approach
(Wang, Yang & Muntz, VLDB1997)
75
Otros mtodos
Clustering basado en modelos
Algoritmos
Estadstica:
EM [Expectation Maximization], AutoClass
Clustering conceptual (Machine Learning):
COBWEB, CLASSIT
Redes neuronales:
SOM [Self-Organizing Maps] 76
Otros mtodos
Clustering con restricciones
p.ej. Clustering con obstculos
Posibles aplicaciones:
Distribucin de cajeros automticos/supermercados
77
Subspace clustering
La dimensionalidad de los datos
Por qu es un problema?
Los datos en una dimensin estn
relativamente cerca
Al aadir una nueva dimensin, los datos se
alejan.
Cuando tenemos muchas dimensiones, las
medidas de distancia no son tiles
(equidistancia).
78
Subspace clustering
La dimensionalidad de los datos
Soluciones
Subspace clustering
Buscar clusters en todos los subespacios posibles.
80
Subspace clustering
81
Subspace clustering
DEMO: CLIQUE et al.
http://www.cs.ualberta.ca/~yaling/Cluster/Applet/Code/Cluster.html
82
Validacin
Cmo se puede evaluar
la calidad de los clusters obtenidos?
alternativos.
Comparar dos tcnicas de agrupamiento
83
Validacin
Criterios externos
(aportando informacin adicional)
Criterios internos
(a partir de los propios datos),
Otras medidas:
cohesin, separacin, coeficientes de silueta 84
Validacin
Cul es el nmero adecuado de agrupamientos?
p.ej. SSE (Sum of Squared Error)
85
Validacin
Cul es el nmero adecuado de agrupamientos?
p.ej. SSE (Sum of Squared Error)
J 1.00E+03
9.00E+02
8.00E+02
7.00E+02
6.00E+02
5.00E+02
4.00E+02
3.00E+02
2.00E+02
1.00E+02
0.00E+00
1 2 3 4 5 6
-2
-4
-6
5 10 15
10
6
SSE
0 87
2 5 10 15 20 25 30
K
Validacin
1
2 6
3
4
88
Validacin
Matriz de similitud
Ordenamos los datos en la matriz de similitud
con respecto a los clusters en los que quedan
los datos e inspeccionamos visualmente
1
1
10 0.9
0.9
20 0.8
0.8
0.7 30 0.7
0.6 40 0.6
Points
0.5 50 0.5
y
0.4 60 0.4
0.3 70 0.3
0.2 80 0.2
0.1
90 0.1
0
0 0.2 0.4 0.6 0.8 1 100 0
20 40 60 80 100 Similarity
x
Points
89
Validacin
Matriz de similitud 10
1
0.9
30 0.7
Points
50 0.5
60 0.4
70 0.3
1 80 0.2
0.9 90 0.1
100 0
0.8 20 40 60 80 100 Similarity
Points
0.7
0.6
1
0.5
y
10 0.9
0.4
20 0.8
0.3 30 0.7
0.2 40 0.6
Points
0.1 50 0.5
60 0.4
0
0 0.2 0.4 0.6 0.8 1
70 0.3
x
80 0.2
90 0.1
100
20 40 60 80 90 0
100 Similarity
Points
Validacin
Matriz de similitud
1
2 6
3
DBSCAN 4
0.9
500
0.8
0.7
1000
0.6
1500 0.5
0.4
2000
0.3
0.2
2500
0.1
3000
500 1000 1500 2000 2500 3000
0 91
Crditos
Jiawei Han (University of Illinois at Urbana-
Champaign): Data Mining: Concepts and
Techniques, captulo 7, 2006
Pang-Ning Tan (Michigan State University),
Michael Steinbach & Vipin Kumar (University of
Minnesota): Introduction to Data Mining,
captulos 8 y 9, 2006
92