Glosario IA
El diccionario completo de la Inteligencia Artificial
Distancia al centroide
Métrica utilizada para evaluar el alejamiento de un punto respecto al centro de su clúster asignado, donde una distancia elevada indica una probabilidad de anomalía.
Puntuación de anomalía K-Means
Puntuación calculada como la distancia mínima de un punto a todos los centroides de los clústeres K-Means, donde los puntos con las puntuaciones más altas se consideran anomalías.
Factor de valores atípicos locales basado en clústeres (CBLOF)
Método que evalúa la desviación de un punto respecto a su clúster de pertenencia y el tamaño de dicho clúster, considerando como anomalías los puntos alejados de clústeres grandes o que pertenecen a clústeres pequeños.
Detección de anomalías de silueta
Técnica que utiliza el coeficiente de silueta para identificar anomalías, donde los puntos con coeficientes muy negativos probablemente están mal asignados y, por tanto, son anormales.
Detección de anomalías con Modelo de Mezcla Gaussiana (GMM)
Enfoque probabilista que modela los datos como una mezcla de distribuciones gaussianas, donde los puntos con baja probabilidad bajo el modelo se identifican como anomalías.
BIRCH (Balanced Iterative Reducing and Clustering using Hierarchies)
Algoritmo de agrupamiento jerárquico eficiente para grandes conjuntos de datos, capaz de identificar anomalías como puntos que no se integran en los microclústeres del árbol CF.
Clustering espectral para la detección de anomalías
Método que utiliza los valores propios de la matriz de similitud para realizar un agrupamiento en un espacio de dimensión reducida, donde las anomalías aparecen como puntos aislados en el espectro.
Detección de anomalías por propagación de afinidad
Técnica de agrupamiento basada en el paso de mensajes entre puntos, donde las anomalías se identifican como puntos que nunca se convierten en ejemplares o que tienen baja afinidad con los clústeres formados.
Clustering de subespacio para anomalías
Enfoque que realiza clustering en diferentes subespacios de dimensiones para capturar anomalías que solo son detectables en proyecciones específicas de los datos.
Clustering jerárquico aglomerativo para anomalías
Método que construye una jerarquía de clústeres donde las anomalías se identifican como puntos fusionados tardíamente en el dendrograma o formando singletons aislados.
Clustering difuso (Fuzzy C-Means) para anomalías
Variante del K-Means donde cada punto tiene un grado de pertenencia a cada clúster, caracterizándose las anomalías por grados de pertenencia bajos y uniformemente distribuidos.
Clustering incremental para la detección de anomalías en flujo
Adaptación de los algoritmos de clustering para los datos en flujo continuo, donde las anomalías son puntos que no se integran a los modelos de clústeres actualizados dinámicamente.
Clustering robusto a anomalías
Familia de algoritmos de clustering diseñados para no ser influenciados por los valores atípicos, permitiendo una mejor separación entre los clústeres normales y las anomalías.
Clustering basado en la gravedad (Gravity-Based Clustering)
Método de clustering inspirado en la física donde las anomalías son puntos que no son suficientemente atraídos por los