Random Forest & KMeans Clustering
José Martínez
2/24/2020
Random Forest & K-Means Clustering
Random Forest
Consiste en grandes números de árboles de decisión que operan como un conjunto. Cada árbol en el “bosque” entrega una predicción y la predicción con mayor número de votos es la que se convierte en la predicción del modelo. 
- Es de los mejores modelos en cuanto a exactitud
- Eficiente en conjuntos de datos grandes
- Da un estimado de cuales variables son importantes en la clasificación
- Los bosques generados se pueden reutilizar
- Tiene un método eficiente para estimar datos faltantes y mantiene la exactitud aún cuando una proporción grande de los datos se encuentra faltante.
K-Means Clustering
Es un método de cuantización (vectorial), popular para el análisis de clusters en la minería de datos. El objetivo de K-Means es particionar n observaciones en k clusters, en los cuales cada obervación pertenece al cluster con la media más cercana, siriviendo como prototipo del cluster.
“El objetivo de K-means es simple: agrupar puntos de datos similares y descubrir patrones subyacentes” -Andrey Bulezyuk
Un cluster se refiere a una colección de puntos de datos agregados juntos debido a ciertas similaridades.
Se define un número k, el cual se refiere al número de centroids que se necesitan en el dataset. Un centroid es la ubicación real o imaginaria que represnta el centro del cluster.
En otras palabras, el algoritmo de K-means identifica u número k de centroids y despues asigna cada punto de dato al cluster más cercano, manteniendo el centroid lo más pequeño posible. El “means” en K-Means se refiere a promediar los datos, es decir, encontrar el centroid.
El algoritmo deja de crear y optimizar clusters cuando:
- Los centroids se han estabilizado. No hay cambio en sus valores puesto que el clustering ha sido exitoso.
- El número definido de iteraciones ha sido alcanzado.
Convergence of K-Means