Este documento describe el clustering jerárquico, un método de análisis de grupos que construye una jerarquía de grupos agrupando elementos de manera sucesiva. Explica que existen dos enfoques principales: aglomerativo, que comienza con tantos grupos como elementos y los va uniendo; y divisivo, que comienza con todos los elementos en un grupo y los va dividiendo. Además, incluye un ejemplo de clustering jerárquico en R sobre comunidades autónomas españolas.

1. GRUPO N. 3
 Correa Roddy
 Hidalgo Michell
 Pacheco Liliana
 Samaniego César
INTELIGENCIA ARTIFICIAL AVANZADA

2. Clustering Jerárquico – ¿Qué es?
Es un método de análisis de
grupos el cual busca construir
una jerarquía de grupos.
En los métodos jerárquicos los
individuos no se particionan en
clusters de una sola vez, sino que se
van haciendo particiones sucesivas
a " distintos niveles de agregación o
agrupamiento ".

3. Clustering Jerárquico – ¿Cómo
funciona?
• La técnica de clustering
jerárquico construye un dendograma o
árbol que representa las relaciones de
similitud entre los distintos elementos. La
exploración de todos los posibles árboles
es computacionalmente intratable. Por lo
tanto, suelen seguirse algoritmos
aproximados guiados por determinadas
heurísticas.

4. Las técnicas
de
agrupamiento
encuentran
aplicación en
diversos
ámbitos.
En biología para clasificar animales y plantas.
En medicina para identificar enfermedades.
En marketing para identificar personas con
hábitos de compras similares.
En teoría de la señal pueden servir para
eliminar ruidos.
En biometría para identificación del locutor o de
caras.

5. Clustering Jerárquico – Tipos
• Clustering jerárquico aglomerativo:
• Se comienza con tantos clústeres como
individuos y consiste en ir formando
(aglomerando) grupos según su
similitud.
• Clustering jerárquico de división:
• Se comienza con un único clúster y
consiste en ir dividiendo clústeres según
la disimilitud entre sus componentes.
Existen dos
aproximaciones
diferentes al
clustering
jerárquico:

7. En el clustering jerárquico no es necesario especificar el número de clústeres a priorizar. Es
posible seleccionarlo a posterioridad según un umbral de corte. La estructura jerárquica es
cercana a la intuición humana. La principal desventaja consiste en la acumulación de
errores. Errores que se comenten en un paso de agrupamiento se propagan durante el
resto de la construcción del dendograma sin ser posible su reajuste.

8. EJEMPLO DE CLUSTERING EN R
 Variables del dataset denominado comunidades autónomas

9. EJEMPLO DE CLUSTERING EN R – PARTE I

10. EJEMPLO DE CLUSTERING EN R – PARTE II

11. EJEMPLO DE CLUSTERING EN R – PARTE III

12. BIBLIOGRAFÍA
• Búsqueda de patrones: técnicas de clustering, recuperado de:
http://www.Cs.Us.Es/~fran/curso_unia/clustering.Html
• introducción al análisis cluster, recuperado de:
http://www.uv.es/ceaces/multivari/cluster/CLUSTER2.htm