filmov
tv
Clustering Método K-Means en Python (ENGLISH SUBTITLES)

Показать описание
Si te sirvió el vídeo y deseas apoyarme directamente, te dejo mi cuenta Paypal 😊:
Mis cursos en línea:
======================
- Aplica SQL al Mundo del Data Science
- Creación de Reportes Visuales con RMarkdown
Buy me a coffee
Espero que mis videos te estén siendo de utilidad. Si gustas cooperar por medio de PayPal para poder seguir creando contenido, puedes hacerlo en la página de mi Blog
En un video anterior te hablé acerca de una de las técnicas de Machine Learning no supervisado llamado Clustering Jerárquico, el cuál es útil cuando se tienen menos de 10,000 individuos o elementos a analizar. En este video te mostraré otra de las técnicas de clustering, llamada método de las K-Medias o K-Means.
Una de las ventajas que tiene este método en comparación con el Clustering Jerárquico, es que tiene la capacidad de analizar bases de datos con más de 10,000 individuos. Sin embargo, para llevar a cabo el Método de las K-Medias, es necesario conocer de antemano el número de clusters en los que queremos que divida a los elementos contenidos en la base de datos.
En caso de que no cuentes con esta información, aquí te muestro una técnica llamada “Codo de Jambú” que te ayudará a encontrar el número óptimo de segmentos a formar.
Los archivos que voy utilizando los puedes encontrar en:
Algunos archivos no los encontrarás en el link, ya que se van creando al correr los códigos que vienen en los videos y estos se grabarán en tu computadora.
Si quieres aprender más acerca de este tipo de técnicas, suscríbete a mi canal, en donde estaré subiendo videos de Machine Learning, Estadística y de Matemáticas en general aplicadas a los negocios.
Si conoces a alguna persona a la que le pudiera ser de utilidad esta información, por favor ayúdame a compartirla. Te lo agradeceré muchísimo 😉
#machinelearning #datascience #statistics
Комментарии