La agrupación de registros en clústeres agrupa los registros de una tabla según los valores similares en uno o más campos numéricos. Los valores similares son aquellos que son cercanos entre sí en el contexto del conjunto de datos completo. Estos valores similares representan clústeres que, una vez identificados, revelan patrones en los datos.

Diferencia entre la agrupación en clústeres y otros comandos de agrupación de Analytics

La agrupación en clústeres se diferencia de otros comandos de agrupación de Analytics:

• Para la agrupación de registros, no es necesario agrupar por categorías de datos preexistentes, como tipo de transacción o código de categoría de comerciante, ni por estratos predefinidos con límites numéricos estrictos. Por el contrario, la agrupación en clústeres agrupa los datos según los valores numéricos similares dentro de los propios datos; es decir, valores cercanos entre sí.
• La agrupación en clústeres por más de un campo envía resultados que no están anidados (no son jerárquicos).

Elección de los campos para hacer clústeres

La agrupación de datos en clústeres le permite descubrir agrupamientos orgánicos en los datos que, de otra manera, tal vez no sabría que existen. En particular, la agrupación en clústeres en varios campos numéricos (clústeres de varias dimensiones) sería difícil de identificar sin la ayuda del aprendizaje automático. En este sentido, la agrupación en clústeres es exploratoria, y es un ejemplo de aprendizaje automático sin supervisión.

Sin embargo, para que los clústeres que se generan tengan sentido, debe existir una relación significativa entre los campos que seleccione para la agrupación de los datos.

Agrupación en clústeres por un único campo

La agrupación en clústeres por un único campo numérico es relativamente directa. Usted se centra en un conjunto de valores único y la agrupación en clústeres agrupa los valores según la cercanía o proximidad que existe entre ellos. Por ejemplo, puede agrupar en clústeres un campo de importe para determinar dónde se concentran los importes en el rango de valores.

La ventaja de la agrupación en clústeres por sobre un enfoque tradicional como la estratificación es que no es necesario hacer suposiciones por adelantado acerca de dónde pueden encontrarse las concentraciones, ni crear límites numéricos arbitrarios. La agrupación en clústeres descubre dónde se encuentran los límites de una cantidad determinada de clústeres.

Agrupación en clústeres en varios campos

Cuando se hace una agrupación en clústeres de dos o más campos, debe preguntarse cómo podrían relacionarse los campos. Puede usar la agrupación en clústeres para comprobar una hipótesis. Por ejemplo, una compañía podría estar preocupada por la tasa de rotación de empleados, que la gerencia considera está concentrada entre los empleados de menor edad y menor salario.

Podría utilizar la agrupación en clústeres para descubrir si existe una fuerte relación entre lo siguiente:

• tiempo de retención del empleado y edad del empleado (agrupación en clústeres de dos dimensiones)
• tiempo de retención del empleado, edad del empleado y salario (agrupación en clústeres de tres dimensiones)

Evaluación de los clústeres de salida

El algoritmo de agrupación en clústers siempre generará una tabla con la cantidad específica de clústeres. Cada registro de la tabla de salida se encontrará en un clúster.

En este punto, necesita evaluar si los clústeres tienen significado o sentido para el análisis. Solo porque el algoritmo agrupe registros en un clúster, no necesariamente significa que la agrupación es significativa. Debe preguntarse si los clústeres forman un patrón significativo. ¿Cuentan una historia?

Las siguientes características pueden ayudarlo a evaluar el significado de los clústeres de la salida:

• Coherencia de los clústeres ¿Los valores individuales de un cluster se encuentran relativamente cerca del centroide o el clúster es algo difuso? Cuanto mayor sea la coherencia de un clúster, más fuerte será la relación entre los valores que lo conforman.
• Tamaño del clúster ¿La mayoría de los valores se encuentran en uno o dos clústeres de gran tamaño? Si es así, el conjunto de datos está significativamente sesgado si se lo compara con un conjunto de datos en el cual los valores están distribuidos de forma relativamente pareja entre los diferentes clústeres.
• Valores atípicos Considere los valores que no es posible incluir en ninguno de los clústeres significativos. Estos valores atípicos pueden representar elementos que ameritan un escrutinio adicional. Considere también los "valores atípicos internos"; es decir, los valores que se incluyen en un clúster significativo, pero se encuentran en el extremo del clúster.

Cómo funciona el algoritmo de agrupación en clústeres

La agrupación en clústeres de Analytics utiliza el algoritmo de Agrupamiento con K-Means, que es un algoritmo de aprendizaje automático muy conocido. Puede encontrar una descripción detallada de Agrupamiento con K-means en Internet.

A continuación, se incluye un resumen del algoritmo.

Elección de la cantidad de clústeres (Valor K)

Determinar la cantidad óptima de clústeres que se deben utilizar al agrupar datos en clústeres puede llevar un poco de tiempo y experimentación. No existe una respuesta exacta para un conjunto de datos determinado.

¿Puede utilizar la agrupación en clústeres en campos de caracteres o de fechahora?

En general, no se puede usar la agrupación en clústeres en campos de caracteres o de fechahora. El algoritmo de agrupación en clústeres acepta únicamente números y realiza cálculos con los números (distancia euclídea, media).

Pasos

Especificar ajustes para el algoritmo de agrupación en clústeres

1. Abra la tabla con los datos que desea agrupar en clústeres.
2. Desde el menú principal de Analytics, seleccione Aprendizaje automático > Agrupamiento.
3. En Cantidad de clústeres (Valor K), especifique la cantidad de clústeres que desea utilizar para agrupar los datos.
4. En Cantidad máxima de iteraciones, especifique el límite superior para la cantidad de iteraciones que realiza el algoritmo de agrupación en clústeres.
5. En Cantidad de inicializaciones, especifique la cantidad de veces que se debe generar un conjunto inicial de centroides aleatorios.
6. Opcional. Seleccione Semilla e introduzca un número.

Especificar un método de preprocesamiento de los datos

Si agrupa por más de un campo clave, debe usar la función de Preprocesamiento para estandarizar la escala de los campos antes de usarlos para la agrupación en clústeres.

Con frecuencia, los diferentes campos numéricos tienen distintas escalas y unidades. Por ejemplo, un campo de salario que contiene dólares por año podría tener valores que van de 20.000 a 100.000, mientras que un campo de edad que contiene los años podría tener valores del 18 al 70. Si agrupa en clústeres los campos de salario y de edad, sin utilizar una escala, los clústeres de salida serán básicamente clústeres del salario, sesgados por el tamaño de las cifras de los salarios en comparación con los cifras de las edades, en lugar de clústeres de salario/edad.

El preprocesamiento ofrece los métodos que se explican a continuación para escalar todos los valores de todos los campos clave del clúster a fin de que tengan un peso equivalente durante el proceso de agrupación en clústeres.

Opción de preprocesamiento	Descripción
Estandarizar	Los valores del campo clave se centran en una media de cero (0) y se ajustan a escala. Este proceso convierte los valores en un unidad tipificada (puntuación z o puntuación estándar). La puntuación z o unidad tipificada es una medida de la cantidad de desviaciones estándar que separan a un valor sin procesar de la media sin procesar de cada campo. En el campo ajustado a escala, la media está representada por un cero (0) y las puntuaciones z son positivas o negativas; esto depende de si los valores sin procesar a los que representan son mayores o menores que la media sin procesar del campo. Nota Utilice esta opción si los campos clave contienen, en su mayoría, valores que no son iguales a cero ("matrices densas"). Ver un ejemplo Ejemplo del cálculo de la puntuación z En un campo de edad ajustado a escala, el valor de edad sin procesar de 55 está representado por una puntuación z de 1,038189. Media del campo de edad sin procesar: 42,04054054 Desviación estándar del campo de edad: 12,48276021 Centre el valor sin procesar restándole la media sin procesar: 55 - 42,04054054 = 12,95945946 Ajuste a escala el valor sin procesar centrado dividiéndolo por la desviación estándar: 12,95945946/12,48276021 = 1,038189 55 se encuentra a 1,038189 desviaciones estándar de la media sin procesar.
Escalar a la varianza de la unidad	Los valores del campo clave se ajustan a escala dividiéndolos por su desviación estándar, pero no están centrados en una media de cero (0). Nota Utilice esta opción si uno o más campos clave contienen una gran cantidad de valores cero (0) ("matrices dispersas"). Ver un ejemplo Ejemplo de ajuste a escala sin centrado En un campo de edad ajustado a escala, el valor de edad sin procesar de 55 está representado por el valor ajustado a escala de 4,406077. Desviación estándar del campo de edad: 12,48276021 Ajuste a escala el valor sin procesar dividiéndolo por la desviación estándar: 55/12,48276021 = 4,406077
Ninguno	Los valores del campo clave no se centran ni se ajustan a escala. La agrupación en clústeres utiliza los valores sin procesar, sin centrar ni ajustar a escala, al calcular los clústeres.

Seleccionar campos

1. Desde la lista Agrupar por, seleccione uno o más campos clave a fin de usarlos para agrupar los registros de la tabla en clústeres.

   Los campos clave deben ser numéricos.

2. Opcional. Desde la lista Otros campos, seleccione uno o más campos adicionales para incluirlos en la tabla de salida.

Finalizar la entrada de comandos

1. Si hay registros en la vista principal que desee excluir del procesamiento, introduzca una condición en el cuadro de texto Si, o haga clic en Si para crear un enunciado IF usando Generador de expresiones.

   Nota

   La condición Si se evalúa únicamente con los registros que quedan en una tabla después de aplicar las opciones de alcance (Primeros, Siguientes y Mientras).

   El enunciado IF considera todos los registros en la vista principal y filtra los que no cumplan la condición especificada.

2. En el cuadro de texto En, especifique el nombre de la tabla de salida.
3. Opcional. En la ficha Más:
   1. Para especificar que se procese solo un subconjunto de registros, seleccione una de las opciones del panel Alcance.
   2. Seleccione Utilizar la tabla de salida si desea que la tabla de salida se abra automáticamente.
4. Haga clic en Aceptar.