2

APRENDIZAJE NO SUPERVISADO: CLUSTERING Y PCA MOOC Habilidades Computacionales – PUCE

1

Clustering con k-means Algoritmo iterativo: inicializar centroides, asignar puntos, recalcular hasta converger.

Selección de k: método del codo y Silhouette.

Ejemplo: segmentación de clientes por gasto y frecuencia.

1

Agrupación jerárquica Estrategias aglomerativas: enlace completo, promedio y ward.

El dendrograma muestra el orden y la distancia de fusiones; el corte define los clústeres.

Ventaja: no exige fijar k al inicio.

1

Reducción de dimensión con PCA

Calcula autovalores y autovectores de la matriz de covarianza.

Los primeros componentes concentran la mayor varianza; facilita la visualización 2-D.

Scree plot: conserva componentes que sumen ≥ 80 % de varianza.

1

Evaluar la calidad del modelo Índice Silhouette (–1 a 1): cohesión interna vs. separación externa.

Inercia intra-clúster: menor valor implica grupos compactos.

Relación PCA → k-means: reducir ruido antes de agrupar mejora Silhouette.

1