Se

basa en la densidad de los puntos para ignorar el ruido.

Es un algoritmo basado en centroides que intenta minimizar la varianza interna.

Construye

un árbol jerárquico de arriba hacia abajo.

Solo

funciona con datos categóricos.

Puede

encontrar grupos de forma arbitraria y detectar valores atípicos

Requiere

que el usuario defina el número de clústeres al inicio.

Es

mucho más rápido en conjuntos de datos masivos.

Utiliza centroides circulares para delimitar los grupos.

Traducción

automática de textos.

Agrupación

de libros por género literario.

Predicción

del precio de la vivienda.

Detección de fraude bancario y errores médicos

No hay

diferencia; ambos extraen componentes principales de la misma forma.

t-SNE

es sensible a la estructura local, mientras que PCA es una proyección lineal.

PCA es

más lento pero más preciso en estructuras locales.

PCA

solo funciona en 2D y t-SNE en 3D.

Solo

importa la distancia al centroide más cercano.

Distancia intra-cluster pequeña y distancia inter-cluster grande.

Distancia

intra-cluster grande y distancia inter-cluster pequeña.

Ambas

distancias deben ser iguales.

Reemplazar

el uso de redes neuronales en problemas de clasificación.

Intentar generalizar marcos lineales para que sean sensibles a la estructura no lineal de los datos.

Aumentar

la dimensionalidad de los datos para verlos mejor.

Etiquetar automáticamente grandes volúmenes de datos ruidosos.

Que el

producto es el más vendido de la tienda.

Que la

confianza de la regla es inferior al 50%.

Que

las reglas son completamente independientes.

Que existe un patrón de regla útil y las variables no son independientes.

Una

etiqueta que el programador asigna manualmente a cada fila.

El

número de variables independientes en un modelo de regresión.

Una

colección de elementos de datos que son similares entre sí.

Un

valor atípico que debe ser eliminado antes del análisis.

Accuracy

y Recall.

Soporte

y Confianza.

Puntuaciones AIC o BIC.

Distancia

de Minkowski.

Entrenar

un modelo para que identifique únicamente errores de sintaxis en Python.

Clasificar

imágenes utilizando un conjunto de entrenamiento previamente validado.

Predecir

una etiqueta específica a partir de datos históricos.

Conocer la estructura inherente de los datos sin utilizar etiquetas explícitas.