⌘K
ENES
GitHub
conceptMachine Learning Estadístico~1 min de lecturaActualizado 2026-06-07#machine-learning#clustering#pca#unsupervised#dimensionality-reduction

Clustering y PCA: aprender sin etiquetas

El aprendizaje no supervisado encuentra estructura sin una clave de respuestas. Dos herramientas cubren la mayor parte de la necesidad práctica: clustering (agrupar puntos similares) y reducción de dimensionalidad (comprimir y visualizar).

Clustering: descubrir grupos

  • k-means: elegí k, asigná puntos al centroide más cercano, mové centroides a la media, repetí. Rápido y ubicuo. Salvedades: tenés que elegir k (usá el método elbow/silhouette), asume clusters redondos y de tamaño similar, y es sensible al escalado y a la inicialización (usá k-means++).
  • Hierarchical / DBSCAN: construye un árbol de clusters, o encuentra regiones densas y etiqueta puntos dispersos como ruido (DBSCAN encuentra k por sí mismo y formas arbitrarias).

Usos: segmentación de clientes, deduplicación, análisis exploratorio, agrupar embeddings para ver qué "piensa" un modelo que es similar.

PCA: comprimir en las direcciones que importan

Principal Component Analysis encuentra las direcciones ortogonales de máxima varianza y reexpresa los datos en esas coordenadas. Conservá los primeros componentes y reducís dimensiones preservando la mayor parte de la señal.

  • Combate la maldición de la dimensionalidad y decorrelaciona features.
  • Acelera modelos downstream y habilita visualización 2-D/3-D.
  • Es lineal: no puede desplegar estructura curva.

PCA vs UMAP/t-SNE para visualizar

Herramienta Mejor para Nota
PCA reducción rápida, preprocesamiento, estructura global lineal; los componentes son interpretables
UMAP / t-SNE visualización 2-D de clusters no lineal; gran visual, pero distancias/tamaños de clusters pueden engañar

Usá PCA para reducir y decorrelacionar; usá UMAP/t-SNE para mirar; y nunca leas distancias exactas desde un plot t-SNE.

Trampa

Siempre escalá features antes de k-means y PCA: ambos se basan en distancia/varianza, así que una feature no escalada de rango grande domina todo.

Conecta con: dimensionalidad · aprendizaje no supervisado · representaciones aprendidas

Notas relacionadas

Machine Learning EstadísticoCross-validation bien hechaCómo estimar rendimiento sin desperdiciar datos ni engañarte: k-fold, stratified, grouped, time-series y la nested CV que requiere el tuning.Machine Learning EstadísticoÁrboles de decisión y ensembles (RF, gradient boosting)Por qué los árboles con gradient boosting siguen siendo el ganador default en datos tabulares, y cómo bagging y boosting doman la inestabilidad de un solo árbol.Machine Learning EstadísticoAnálisis de errores: leer los errores de tu modeloUn único score agregado esconde dónde falla un modelo. Slices, learning curves y patrones de confusión convierten errores en un roadmap.Machine Learning EstadísticoFeature engineeringPara ML clásico sobre datos tabulares, las features le ganan a los algoritmos. Encoding, escalado, interacciones y las trampas de leakage que acechan en cada paso.