|
|
|
|
MÉTODOS DE ANÁLISIS CLUSTER
De acuerdo con Cuadras una clasificación puede ser :
A) Aglomerativa o divisiva.
Será aglomerativa o ascendente si se parte inicialmente de los individuos que se van , progresivamente fusionando, formando grupos que constituyen las sucesivas particiones. Por el contrario, ser divisiva o descendente si se parte de todo el conjunto de individuos como un conglomerado y se va sucesivamente subdividiendo en grupos más pequeños.
B)Jerárquica o no jerárquica.
En una clasificación no jerárquica se forman grupos homogéneos sin establecer relaciones entre ellos. En una clasificación jerárquica, en cambio, los grupos se van fusionando (o subdividiendo) sucesivamente, siguiendo una prelación o jerarquía, decreciendo la homogeneidad conforme se van haciendo más amplios.
C)Monotética o politética.
Una clasificación monotética está basada en una única característica muy relevante. Se procede de forma divisiva, separando entre individuos que la tienen e individuos que no la tienen.
Una clasificación politética está basada en un gran número de características y no se exige que todos los miembros de un conglomerado posean todas las características, (aunque sí que tengan cierta homogeneidad en ellas). Usualmente se procede en estos casos de forma aglomerativa.
Sin perder de vista estas distinciones, los distintos métodos de análisis cluster pueden ser considerados como pertenecientes a una de las siguientes cinco categorías :
1) Métodos jerárquicos
2)Métodos de optimización
3)Métodos de densidad (o mode-seeking)
4)Métodos "Clumping" (o de partición)
5)Y otros métodos que no pueden ser integrados en las cuatros anteriores.
Los métodos jerárquicos son, quizá , los que han sido más desarrollados y serán los que dedicaremos mayor atención en el siguiente sub-epígrafe. Aquí, daremos, en cambio, un vistazo general a las otras técnicas.
Los métodos de optimización se caracterizan fundamentalmente porque se admite en ellos la "reasignación" de un individuo. Esto es, una vez considerado un individuo como miembro de un cluster, en un siguiente paso del análisis, puede, muy bien, salirse de él e integrarse en otro si de esta forma se mejora (optimiza) la partición. Esta posibilidad permite la sucesiva mejora de la partición inicial. Por lo general, estos métodos asumen a priori un número de clusters a formar. Son llamados así porque pretenden obtener la partición que optimice una cierta medida numérica definida. Los distintos métodos de optimización se diferencian entre sí en la manera de obtener la partición inicial y en la medida a optimizar en el proceso.
Los criterios de optimización suelen ser:
la minimización de la traza de la matriz de varianzas intra-grupos.
la minimización del determinante de la matriz de varianzas intra-grupos.
la maximización de la traza de la matriz (BW ) donde B es la matriz de varianzas inter-grupos y W es la matriz de varianzas intra-grupos, presentando cierta conexión con la discriminación factorial.
utilizando medidas de información o de estabilidad
Los métodos de densidad se basan en la idea de construir "clusters naturales" partiendo de la mayor o menor densidad de puntos de las distintas zonas del espacio (de las variables) en el que están los individuos.
Y, por último, los métodos clumping utilizados usualmente en estudios lingüísticos, permiten el solapamiento de los grupos, de ahí que quizá el nombre de "métodos de partición" con el que suele traducírseles no sea muy adecuado.