Campus
Diagrama de temas
-
-
Introducción a la lección
Ha creado modelos de aprendizaje supervisado mediante tanto la clasificación como la regresión. Pero ahora es el momento de trabajar con el aprendizaje no supervisado, donde los datos etiquetados no están disponibles fácilmente. En esta lección, implementará el aprendizaje no supervisado en forma de modelos de agrupación en clústeres, que pueden agrupar observaciones que comparten rasgos comunes. Al igual que antes, desarrollará estos modelos como un proceso de entrenamiento, ajuste y evaluación.
En esta lección, hará lo siguiente:
- Entrenará modelos mediante algoritmos que resuelvan problemas de agrupación en clústeres y, a continuación, los ajustará para mejorar el rendimiento.
- Evaluará el rendimiento de los modelos de agrupación en clústeres para fundamentar el proceso de ajuste.
-
-
-
Resumen
En esta lección, aprovechó los datos sin etiqueta entrenando modelos de agrupación en clústeres. Aunque el aprendizaje no supervisado da lugar a algunas diferencias clave en la forma de abordar el desarrollo de modelos, aún puede mejorar los modelos mediante el ajuste y la evaluación. Al igual que otras formas de aprendizaje automático, la agrupación en clústeres es una forma eficaz de extraer información de los datos y convertir esa información en resultados reales.
¿Qué tipo de datos con los que podría estar interesado en trabajar sería útil para la agrupación en clústeres?
Dados los conjuntos de datos que le interesan y los problemas de agrupación en clústeres que está intentando resolver, ¿qué métricas de evaluación cree que serían más útiles para determinar el número óptimo de clústeres?
-
Campus
