Dentro del análisis de datos, existen otros métodos enfocados a resolver problemas no lineales y de agrupamiento.
Clustering.
El objetivo de este método es encontrar patrones en un
set de datos, dividiéndolo en subgrupos llamados clusters, con elementos
altamente relacionados, es decir, similitudes entre los mismos.
Estos métodos son utilizados por grandes organizaciones, por ejemplo, las cadenas de supermercado, para encontrar patrones de comportamientos entre sus usuarios que no se pueden reconocer a simple vista.
Por ejemplo, los hombres entre 20 y 17 años, cuando compran pañales para bebé, también compran cerveza.
Estas organizaciones aprovechan este tipo de relaciones para aumentar sus ventas.
Existen diferentes métodos de clustering como:
·
K – means.
·
Expectativa – Maximization (EM).
·
Density – based.
·
Jerárquico.
Análisis no lineales.
Este análisis es útil cuando los datos no describan un
patrón lineal, es decir, cuando la que antes era tu variable independiente
ahora dependa de otras variables analizadas.
Un ejemplo de un modelo no lineal sería una cadena de producción de lápices en la que el tiempo (que antes era la variable independiente) ahora depende del volumen de lápices que se producen. Bajo ciertas circunstancias puedes hacer predicciones utilizando regresión.
Un primer método de solución sería linealizar el modelo y así aproximar los datos a una línea recta. Otra forma sería trazar una línea de regresión polinómica y resolverlo con el método de regresión múltiple.
Fuente:
Comentarios
Publicar un comentario
Si deseas comentar dentro de la línea del respeto, eres bienvenido para expresarte