Summary  
This chapter explains linkage methods for hierarchical clustering, detailing how to choose reference points between clusters—such as the closest (single linkage), farthest (complete linkage), centroids, or all point pairs (average linkage)—to compute inter-cluster distances and shape the resulting clusters.

General domain of usage  
Unsupervised machine learning (hierarchical clustering)

Los **métodos de enlace** determinan cómo medir la distancia entre clústeres al construirlos paso a paso. Diferentes enlaces generan **formas de clúster diferentes**.

- Utiliza la **distancia más corta** entre puntos en dos clústeres;
- Une clústeres cuando **cualquier punto se acerca**;
- Genera clústeres largos y encadenados;
- Adecuado para formas irregulares;
- Sensible al ruido.

Enlace simple

- Utiliza la **distancia más larga** entre puntos en dos clústeres;
- Une clústeres solo cuando **todos los puntos están relativamente cerca**;
- Genera clústeres compactos y esféricos;
- Menos encadenamiento;
- Más robusto al ruido.

Enlace completo

- Utiliza la **distancia promedio** entre todos los pares de puntos de dos clústeres;
- Compromiso entre enlace simple y completo;
- Suele ser un buen equilibrio.

Enlace promedio

- Utiliza la **distancia entre los centroides** de dos clústeres;
- El centroide es la posición media de todos los puntos en el clúster;
- Puede causar inversiones (los clústeres se acercan a medida que crecen);
- Adecuado para agrupamientos con significado geométrico.

Enlace de centroide

Distancia mínima entre puntos en clústeres

Distancia máxima entre puntos en clústeres

Distancia promedio entre puntos en clústeres

Minimiza la varianza dentro de los clústeres

Descargar resumen de la sección

¿Qué método de enlace es conocido por crear clústeres largos y encadenados y es el más sensible al ruido?

Adquiera una comprensión sólida del análisis de conglomerados, una técnica clave de aprendizaje no supervisado para descubrir patrones en datos no etiquetados. Explore los conceptos esenciales de K-Means, Clustering Jerárquico, DBSCAN y GMM, y obtenga experiencia práctica con conjuntos de datos reales para desarrollar confianza en la aplicación del clustering a problemas del mundo real.

Adéntrese en los fundamentos del clustering y descubra cómo se diferencia de la clasificación. Explore algoritmos, herramientas y bibliotecas esenciales que impulsan esta técnica de aprendizaje no supervisado para revelar patrones ocultos en los datos.

Obtenga una comprensión sólida de las principales técnicas de preprocesamiento que garantizan una agrupación efectiva. Incluye el manejo de valores faltantes, la codificación de características categóricas, la normalización de datos y la selección de medidas de distancia y métodos de enlace apropiados para mejorar la precisión del agrupamiento.

Domine las habilidades necesarias para aplicar el agrupamiento K-Means de manera efectiva. Aprenda cómo funciona el algoritmo, determine el número óptimo de grupos y adquiera experiencia práctica implementando K-Means en conjuntos de datos sintéticos y del mundo real.

Explore los conceptos esenciales del clustering jerárquico y aprenda a agrupar datos en clústeres significativos utilizando dendrogramas. Adquiera confianza en la identificación del número óptimo de clústeres y en la implementación de la técnica tanto en conjuntos de datos sintéticos como reales.

Descubra cómo DBSCAN destaca en la detección de agrupamientos de formas variadas y en el manejo de ruido en los datos. Conozca la mecánica detrás de este algoritmo basado en densidad, el proceso de asignación de puntos a agrupamientos y su aplicación tanto en conjuntos de datos sintéticos como reales con confianza.

Adquiera una comprensión sólida de los Modelos de Mezcla Gaussiana y cómo utilizan la probabilidad para modelar formas de clúster complejas. Explore los principios de la distribución gaussiana, analice el funcionamiento de los GMM y consolide conocimientos aplicándolos tanto a datos simulados como reales.

Vinculaciones