T-LAB Home
T-LAB PLUS 2019 - AIUDA EN RED Prev Page Prev Page
T-LAB
Introducción
Qué hace y qué permite hacer
Requisitos y prestaciones
Preparación del corpus
Preparación del corpus
Criterios Estructurales
Criterios Formales
Archivo
Importar un único archivo...
Preparar un Corpus (Corpus Builder)
Abrir un projecto ya existente
Configuraciones de Análisis
Configuración Automática y Personalizada
Personalización del Diccionario
Análisis de Co-ocurrencias
Asociaciones de Palabras
Análisis de Co-Palabras y Mapas Conceptuales
Comparaciones entre Parejas de Palabras-Clave
Análisis de Secuencias y Análisis de Redes
Concordancias
Análisis Temáticos
Análisis Temático de Contextos Elementales
Modelización de Temas Emergentes
Clasificación Temática de Documentos
Clasificación Basada en Diccionarios
Contextos Clave de Palabras Temáticas
Análisis Comparativos
Análisis de Especificidades
Análisis de Correspondencias
Análisis de Correspondencias Múltiples
Cluster Analysis
Descomposición de Valores Singulares
Herramientas Léxico
Text Screening / Desambiguaciónes
Vocabulario
Palabras Vacías
Multi-Palabras
Segmentación de Palabras
Otras Herramientas
Variable Manager
Búsqueda avanzada en el Corpus
Tablas de Contingencias
Editor
Glosario
Análisis de Correspondencias
Cadenas de Markov
Chi-cuadrado
Cluster Analysis
Codificación
Contextos Elementales
Corpus y Subconjuntos
Desambiguación
Documentos Primarios
Especificidad
Graph Maker
Homógrafos
IDnumber
Índices de Asociación
Isotopía
Lematización
Lexia y Lexicalización
MDS
Multiwords (Multi-Palabras)
N-gramas
Naïve Bayes
Normalización del Corpus
Núcleos Temáticos
Ocurrencias y Co-ocurrencias
Palabras y Lemas
Palabras Clave
Perfil
Polos de Factores
Stop Word List
Tablas de Datos
Umbral de Frecuencia
TF-IDF
Unitad de Análisis
Unidad de Contexto
Unidad Lexical
Valor Test
Variables y Modalidades
Bibliografía
www.tlab.it

Cluster Analysis


Conjunto de técnicas estadísticas cuyo objetivo es individuar grupos de objetos que tengan dos características complementarias:

A - Máxima homogeneidad interna (dentro de cada cluster);

B - Máxima heterogeneidad externa (entre cluster y cluster).

En el lenguaje de la estadística, las características "A" y "B" corresponden respectivamente a la varianza interna (within cluster variance) y a la externa (between cluster variance).

En general, hay dos tipos de técnicas de Cluster Análisis:

  • Hierarchical methods (métodos jerárquicos), cuyos algoritmos reconstruyen la jerarquía completa de los objetos analizados (el llamado "árbol"), tanto en orden ascendente como en orden descendente;
  • Partitioning methods (métodos divisorios), cuyos algoritmos preveen que el usuario haya definido previamente el número de grupos en los cuales se dividen los objetos analizados.

En T-LAB se utilizan algoritmos de ambos tipos.

En particular:

Algunas Algunas de las publicaciones citadas en la Bibliografía permiten profundizar tanto los aspectos generales de los varios métodos (Bolasco S., 1999; Lebart L., A. Morineau, M. Piron, 1995), como los aspectos específicos relativos a los mapas de Kohonen (Kohonen T., 1989) y el método bisecting K-means (Steinbach, M., G. Karypis, V. Kumar, 2000; Savaresi S.M., D.L. Boley, 2001).