Agrupamiento (clustering)

El agrupamiento (clustering) es la tarea de dividir un conjunto de datos en grupos, llamados clústeres, de modo que los elementos de un mismo grupo se parezcan entre sí más que a los de otros grupos. Es la técnica más representativa del aprendizaje no supervisado: nadie dice de antemano qué grupos existen.

El algoritmo más conocido es k-medias (k-means). Le indicas cuántos grupos quieres (k), coloca k centros, asigna cada dato al centro más cercano, recalcula los centros como el promedio de sus miembros y repite hasta que se estabiliza. Otros métodos, como el agrupamiento jerárquico o DBSCAN, no requieren fijar k por adelantado o detectan grupos de formas irregulares y puntos atípicos.

Todo depende de cómo se mida la «similitud». Con datos numéricos se usa a menudo la distancia geométrica; con textos, se convierten primero en embeddings y se compara qué tan cerca están sus vectores. Elegir mal las características o su escala puede producir grupos sin sentido.

Un error frecuente es tratar los grupos encontrados como verdades: el algoritmo siempre devuelve grupos, aunque los datos no tengan una estructura clara. Interpretarlos y nombrarlos («clientes frecuentes de fin de semana») es trabajo humano. Tampoco hay que confundirlo con la clasificación, donde las categorías existen de antemano y el modelo aprende de ejemplos etiquetados.