Evaluar agrupamientos
El problema de no tener etiquetas
En aprendizaje supervisado medir es fácil: comparas con la verdad. Aquí no hay verdad. Un buen agrupamiento puede ser cierto o inútil según la pregunta que persigas. La métrica solo juzga la geometría, nunca el significado.
Compactez y separación
Dos virtudes geométricas definen un buen agrupamiento: que los puntos de un grupo estén apretados entre sí —compactez— y que grupos distintos estén lejos unos de otros —separación—. Casi todos los índices internos combinan estas dos ideas de alguna forma.
El coeficiente silhouette
Para cada punto mide dos distancias: a cuánto está, de media, de sus compañeros de grupo, y a cuánto del grupo vecino más cercano. La silhouette compara ambas: vale cerca de uno cuando el punto encaja bien, cerca de cero en la frontera, y negativa si estaría mejor en otro grupo.
Leer la silhouette
El promedio de todas las silhouettes es la puntuación global. Un valor alto indica grupos densos y aislados. Graficar las silhouettes por grupo revela si alguno está mal cohesionado o solapado, algo que el promedio solo esconde.
Calinski-Harabasz
Este índice razona como un análisis de varianza: premian la variación entre grupos frente a la variación dentro de ellos. Cuanto mayor el valor, más separados y compactos. Es rápido pero tiende a favorecer formas esféricas.
Davies-Bouldin
Mide el peor vecino de cada grupo: la similitud con el grupo más parecido, promediada. Aquí menos es mejor, porque significa que ningún par de grupos se confunde. Complementa a la silhouette al mirar el peor caso, no el promedio.
Internos frente a externos
Los índices internos solo miran la geometría y los datos. Los externos comparan con etiquetas reales, cuando las hay, usando pureza o índice adjusted rand. Si dispones de algo de verdad, aprovéchala: ningún índice interno sustituye a la referencia.
Elegir el número de grupos
Uno de los usos más nobles de estos índices es decidir cuántos grupos: se barre un rango de k y se elige el número que maximiza la silhouette o el codo. Pero el máximo numérico no garantiza que la división tenga sentido para tu negocio.
Errores frecuentes
- Fiarse del índice más alto sin mirar si los grupos significan algo.
- Comparar algoritmos distintos con un índice que favorece una forma concreta.
- Olvidar que la silhouette castiga injustamente densidades muy desiguales.
Ejemplo resuelto: elegir el número de segmentos
Un equipo de marketing no sabe cuántos segmentos de clientes conviene publicar. Usa los índices para decidir:
- Barrer k: ejecutar k-means para varios números de grupos posibles.
- Calcular silhouette: promediar la silhouette en cada k y anotar también Calinski-Harabasz.
- Descartar trampas: desconfiar de un k máximo con grupos ininterpretables o de uno que solo separa por densidades desiguales.
- Revisar el gráfico: mirar las silhouettes por grupo para ver si alguno está solapado.
- Validar a mano: confirmar que los segmentos elegidos se pueden nombrar y accionar.
¿Para qué sirve en la realidad?
Evaluar agrupamientos es lo que vuelve defendible una segmentación ante negocio o auditoría: decide cuántos clusters publicar, compara algoritmos y avisa cuando una división geométricamente bonita no significa nada para el problema real.
¿Qué informa una silhouette cercana a uno sobre un punto?
Los índices internos de agrupamiento garantizan que la partición tiene sentido para el problema.
La prueba final es humana
Un índice alto es condición útil, no suficiente. La evaluación definitiva es si los grupos se interpretan, se estabilizan ante pequeñas perturbaciones y sirven a la decisión que motivó el análisis. Los números guían; las personas juzgan.
Evaluación
Ordena el cálculo de la silhouette para un punto:
Interna
Vecina
Resta
Normaliza
scikit-learn: evaluación de clustering
Referencia oficial de silhouette y demás índices internos.
Une cada índice o concepto con su lectura.
Medir sin respuesta correcta
# Evaluar agrupamientos ## Sin etiquetas ### índices internos ### comparar ## Silhouette ### encaje por punto ### de menos uno a uno ## Otros ### calinski-harabasz ### davies-bouldin ## Juicio ### interpretabilidad ### estabilidad
Silhouette score: guía para evaluar clustering
Explicación en español del coeficiente de silueta y su interpretación.
Dos particiones de tus clientes: una con silhouette alto pero grupos ininterpretables, otra modesta pero accionable. ¿Cuál presentas y cómo lo justificas?