Métodos de

segmentación de datos
con Python

Docente: César Quezada

Bienvenidos:
Soy César Quezada

Ingeniero Estadístico de la Universidad Nacional de

Ingeniería (UNI). Consultor especialista en Data Science
con más de 12 años de experiencia en proyectos
analíticos.

Actualmente trabajo como Líder de Inteligencia

Comercial en DMC.
Objetivo del curso
1. Conocer los métodos supervisados y su relación
con el machine learning.
2. Conocer el proceso para utilizar un algoritmo de
segmentación.
3. Seleccionar el mejor algoritmo que permita la
mejor segmentación utilizando métricas de
evaluación.
 Estructura del curso

01
Segmentación y su relación
02
Clustering
03
Algoritmo k – means
con el Machine learning
● Procedimiento
● ¿Qué es el Machine ● Definición de cluster
● ¿Cómo seleccionar el
Learning? ● Características de los
número de clusters? Elbow
● Herramientas del machine cluster
● method
learning :¿Qué métodos de
● Criterios de inercia y silueta
● ¿Qué podemos modelar? clasificación existen?

04
Algoritmo DB SCAN
05
Algoritmo JERÁRQUICO
06
CASO PRACTICO:
Segmentación de clientes
● Diferenciación con el k – ● Procedimiento de ● Entendiendo el problema de
means generación negocio.
● ¿Qué logra el algoritmo DB ● Método aglomerativo. ● Preprocesamiento de datos.
SCAN? Parámetros Dendogramas ● Generación de clusters
principales ● Comparación de algoritmos
● Ventajas y desventajas ● Próximos pasos
 01
Segmentación y
su relación con el
Machine Learning
¿Qué es Machine Learning?
La ciencia de datos es un campo multidisciplinario que
utiliza un conjunto de herramientas para extraer
conocimiento de los datos y respaldar la toma de
decisiones.
¿Qué podemos
modelar?
¿Qué podemos
modelar?
 02
Clustering
Breve descripción del tema
Clustering
También conocido como segmentación, se
refiere a dividir un conjunto de datos en
grupos o clusters (no definidos
previamente) de tal forma que cada grupo
contenga muestras similares entre sí,
básandose en alguna medida de similitud
entre los miembros de cada grupo.
Clustering
 Características
Dataset de Entrenamiento
Aprendizaje
Predictores (Features)
no
supervisado
x1 x2 ….. xp
1

n muestras de
entrenamiento Muestr
as
o instancias

Datos Transformados
y Agrupados en
Clústeres
n
No tenemos
etiquetas en los
p datos (Y)
predictores
¿Qué métodos de
clasificación existen?
 03
Algoritmo
k - means
El objetivo es agrupar las
observaciones de un dataset en
un número k de clusters .
 Procedimiento

Paso 4
Paso 3 Cada registro se asignará
a un centroide en la
Paso 2 Para cada iteración, o iteración final formando
hasta convergencia: los cluster.
Paso 1 ● Generación ● Calcula la distancia
aleatoria de k de cada muestra a
● Seleccionar el centroides cada centroide.
número de cluster k ● Asigna cada muestra
(hiperparámetro) al centroide mas
cercano.
● Recalcula los
centroides.
● Chequea
convergencia.
 ¿Cómo seleccionar el
número de clusters?

El elbow method consiste en

medir la suma promedio de los
cuadrados de las distancias de las
observaciones a los centroides. El
objerivo es minimizar la suma
total, tratando de escoger el
mínimo número de clusters donde
esta suma sea minimizada.
 Selección de
clusters

Criterio de Criterio de la
inercia silueta
 Selección de clusters

CRITERIO DE INERCIA

Como se ha mencionado , se quiere obtener clases lo más

homogéneas posibles y que estén suficientemente separadas.
Este objetivo se puede concretar numéricamente a partir de la
siguiente propiedad :

Supóngase que se está en presencia de una partición P=(𝐶1 , 𝐶2

, 𝐶3,……𝐶𝑘) de Ω , donde 𝑔1, 𝑔2, 𝑔3, 𝑔4,……., 𝑔𝑘 son los
centros de gravedad de las clases:

g es el centro de gravedad total:

:
 Selección de clusters
CRITERIO DE SILUETA
Podemos definir el coeficiente de la silueta como:

✔ a(x)= distancia promedio de x a todos los demás puntos en el

mismo cluster.
✔ b(x)= distancia promedio de x a todos los demás puntos en el
cluster más cercano.

Dado esto, se dice que el coeficiente de la silueta para x está dado

por:

donde el valor de s(x) puede variar entre -1 y 1

✔ -1 si es un mal agrupamiento
✔ 0 si es indiferente
✔ 1 si es un buen agrupamiento
:
 04
Algoritmo
DB SCAN
Agrupamiento basado
en densidad
 ALGORITMO DB SCAN
Agrupamiento basado en Densidad

✔ Los métodos basados en la distancia tienden a funcionar bien con clusters esféricos y
mal con clusters con otras formas.

✔ Para solucionar este problema otros métodos han desarrollado el concepto de densidad,
el cual permite descubrir clusters con formas arbitrarias (conjunto de datos que
determinan un volumen).

✔ La idea es hacer crecer un cluster siempre cuando la densidad en el entorno del objeto
exceda de un umbral.
 CARACTERÍSTICAS
Agrupamiento basado en Densidad

✔ Asume que la densidad alrededor de los datos normales es similar a la densidad

alrededor de sus vecinos.

✔ La densidad alrededor de los valores atípicos es considerablemente diferente a la

densidad alrededor de sus vecinos.

✔ Hace crecer regiones con suficiente alta densidad en grupos

✔ Estos grupos están separados por regiones de baja densidad de objetos (ruidos)
 ¿Cómo
funciona?
Agrupamiento basado en Densidad
¿Qué es lo que logra?
Agrupamiento basado en Densidad

Número estimado de cluster: 2 Número estimado de cluster: 4

 CARACTERÍSTICA
Agrupamiento basado en Densidad
S
✔ El algoritmo requiere dos parámetros principales:

✔ - El parámetro epsilon (eps), define el radio de vecindad alrededor de un

punto.
✔ - El número mínimo de puntos (MinPts) de vecinos en un radio eps.

✔ Cualquier punto en el set de datos, con un número mayor o igual que MinPts se considera un punto
núcleo.

✔ Un punto se considera punto frontera si tiene menos de MinPts vecinos pero el es vecino de un punto
núcleo.

✔ Un punto que no es ni núcleo ni frontera, se considera un punto de ruido o valor atípico (outlier).
 ALGORITMO DB SCAN

Agrupamiento basado en Densidad

Ventajas Desventajas

●
Ventajas
No necesita asumir un número ● Asume densidades similares en
fijo de clusters. todos los clusters.

● No depende de las condiciones ● Puede tener problemas al

de inicio. separar clusters.
 ALGORITMO DB
SCAN
Agrupamiento basado en Densidad

✔ La imagen de la izquierda muestra un método de agrupación más tradicional, como K-Means, que no
tiene en cuenta la multidimensionalidad.

✔ La imagen de la derecha muestra cómo DBSCAN puede contorsionar los datos en diferentes formas
y dimensiones para encontrar grupos similares.
 05
Algoritmo
JERÁRQUICO
Busca agrupar los datos
anidándolos en jerarquías con
forma de un árbol
 Procedimiento

Paso 4
Paso 3 El resultado final es un
árbol, que se puede
Paso 2 Se repite el trazar como un
procedimiento hasta que dendrograma .
Paso 1 ● Fusionar las todas las observaciones
observaciones en sean miembros de un
● Calcule la disimilitud grupos grupo grande.
por pares entre cada
observación en el
conjunto de datos
 Método aglomerativo

También se lo conoce como aglomeración aglomerativa jerárquica (HAC) o AGNES (acrónimo de

aglomeración de anidación).

En este método, cada observación se asigna a su propio clúster. Luego, se calcula la similitud (o distancia)
entre cada uno de los clusters y los dos clusters más similares se fusionan en uno. Finalmente, los pasos 2 y
3 se repiten hasta que solo quede un grupo.
Método aglomerativo
Dendogramas
 ALGORITMO JERÁRQUICO

Ventajas Ventajas Desventajas

● El número optimo de clusters ● No es conveniente para grandes

se puede obtener por el mismo conjuntos de datos.
modelo.
● El algoritmo no puede deshacer
● Es fácil de implementar. los pasos anteriores.

● El dendograma es muy útil ● Los tiempos de ejecución

para entender los datos. pueden ser largos.
 06
CASO PRACTICO
Segmentación de
clientes
Gracia
s