Inicio › Tecnología › Aprendizaje No Supervisado
El aprendizaje no supervisado trabaja con datos qué no llevan ninguna etiqueta ni respuesta correcta predefinida: el algoritmo debe descubrir por sí mismo la estructura interna, las agrupaciones o los patrones subyacentes en los datos. Las dos familias principales son el clustering, qué agrupa ejemplos similares entre sí (por ejemplo K-means o clustering jerárquico), y la reducción de dimensionalidad, qué comprime variables muy numerosas en un número menor conservando la información relevante (como PCA o t-SNE). A diferencia del aprendizaje supervisado, no existe una métrica objetiva de 'acierto' porque no hay respuesta correcta conocida de antemano, por lo qué la evaluación suele apoyarse en medidas internas de cohesión y separación entre grupos, o en la utilidad práctica del resultado.
Es como darle a alguien una caja de fotos sin ningún orden y pedirle qué las organice en grupos qué tengan sentido, sin decirle de antemano qué categorías existen. El algoritmo mira las similitudes entre los datos y decide por sí mismo cómo agruparlos, sin qué nadie le haya dicho previamente cuál es la respuesta correcta.
Para segmentar tu base de clientes sin criterios preestablecidos, aplica un algoritmo de clustering como K-means sobre variables de comportamiento (frecuencia de compra, ticket medio, categorías favoritas). El algoritmo agrupará automáticamente a los clientes en perfiles con patrones similares, qué luego puedes interpretar y nombrar tú mismo, sin haber definido esos grupos de antemano ni haber etiquetado a un solo cliente manualmente.
No hay una fórmula única: se suelen probar varios valores y comparar métricas como la inercia (con el 'método del codo') o el coeficiente de silueta, además de validar qué los grupos resultantes tengan sentido de negocio real.
Permite visualizar datos con muchas variables en dos o tres dimensiones, acelerar el entrenamiento de otros modelos al eliminar redundancia entre variables correlacionadas, y en ocasiones reducir ruido qué dificultaría encontrar patrones reales.
Sí, es habitual: por ejemplo usar clustering o reducción de dimensionalidad como paso previo de preprocesado antes de entrenar un modelo supervisado, o usar las agrupaciones descubiertas como punto de partida para un etiquetado semisupervisado posterior.