Laboratorio de clustering

Compara tres métodos de agrupación euclídea con los mismos datos bidimensionales. Ejecutar inicia el cálculo; Paso avanza una iteración de k-means. Pausa y Continuar conservan el estado. Restablecer borra la asignación, pero mantiene los puntos. El ejemplo genera nubes reproducibles según sus ajustes.

k-Means usa inicialización k-means++ con semilla fija y después actualizaciones de Lloyd. SSE es la suma de las distancias al cuadrado a los centros asignados. Los grupos vacíos conservan su centro. Es una solución local, sin garantía de óptimo global; termina cuando las asignaciones se estabilizan o tras 200 iteraciones. DBSCAN conecta vecindarios densos de radio ε; el mínimo incluye el propio punto. El gris indica ruido. El enlace simple divide un árbol de expansión mínimo en k grupos; cadenas estrechas pueden unir nubes separadas. Los empates de distancia pueden dar distintas particiones válidas.

Pega o abre CSV y elige columnas X e Y diferentes. Se prefieren las cabeceras X/Y; en su defecto, las dos primeras columnas numéricas. Se aceptan punto y coma decimal (entre comillas o con delimitador punto y coma). Las filas no válidas se cuentan y omiten. Límites: 2000 filas de datos, 32 columnas, 1 MiB, coordenadas entre −10⁹ y 10⁹. No se estandarizan los datos: sus escalas influyen en las distancias. Ejemplo: (0,0), (0,1), (10,10), (10,11) forman dos pares con k=2.

Ambos ejes tienen la misma escala. Ctrl/Meta + rueda amplía; Ctrl/Meta + arrastrar desplaza. Ajustar a los puntos restaura la vista. La tabla muestra tamaños y centros (k-means) o medias descriptivas (otros métodos); los colores se repiten tras ocho grupos. El CSV exporta todos los puntos válidos con su asignación actual: grupos desde 1, ruido como 0. En k-means en ejecución puede ser un resultado intermedio. Para datos pequeños, sin dendrograma ni selección automática de parámetros.

Solo se conservan los valores introducidos en este navegador. No se guardan los resultados calculados ni los historiales.